WeedNet：基于基础模型的全局到局部 AI 方法用于实时杂草种类识别与分类
计算机视觉与模式识别
2025-05-27 v1 人工智能
摘要
及早识别杂草对于有效管理和控制至关重要，越来越多的人们关注使用计算机视觉技术结合 AI 方法进行自动化。然而，受限于专家验证数据和形态特征的复杂性和多样性等挑战，限制了基于 AI 的杂草识别模型的进展。为此，我们提出了 WeedNet，这是首个能够识别广泛杂草种类的全球规模杂草识别模型，包括顽固和入侵性植物种类。WeedNet 是一个端到端的实时杂草识别管道，采用自监督学习、微调和增强可信度策略。WeedNet 在 1,593 种杂草上实现了 91.02% 的准确率，其中 41% 的种类实现了 100% 的准确率。通过微调策略和全局到局部方法，局部 Iowa WeedNet 模型在 85 种 Iowa 杂草上实现了 97.38% 的总体准确率，大多数类别的类间平均准确率超过 90%。在杂草种内异质性（发育阶段）和种间相似性（相似物种）测试表明，涵盖所有生长阶段和可辨识植物特征的图像多样性是推动模型性能的关键因素。Global WeedNet 模型的通用性和可适应性使其可作为基础模型发挥作用，Global-to-Local 策略允许针对特定地区的杂草群落进行微调。此外，基于无人机和地面巡视器的图像验证凸显了将 WeedNet 集成到机器人平台中的潜力。进一步与 AI 对话集成提供了面向农民、作物师、研究人员、土地管理者和政府机构的智能农业和生态保育咨询工具，适用于多样化的景观环境。
引用
@article{arxiv.2505.18930,
title = {WeedNet: A Foundation Model-Based Global-to-Local AI Approach for Real-Time Weed Species Identification and Classification},
author = {Yanben Shen and Timilehin T. Ayanlade and Venkata Naresh Boddepalli and Mojdeh Saadati and Ashlyn Rairdin and Zi K. Deng and Muhammad Arbab Arshad and Aditya Balu and Daren Mueller and Asheesh K Singh and Wesley Everman and Nirav Merchant and Baskar Ganapathysubramanian and Meaghan Anderson and Soumik Sarkar and Arti Singh},
journal= {arXiv preprint arXiv:2505.18930},
year = {2025}
}