基于DETR和RetinaNet的精密农业杂草多阶段生长与分类
计算机视觉与模式识别
2025-02-24 v1
摘要
杂草管理是农业中的关键挑战，杂草与作物争夺必需资源，导致显著减产。准确检测杂草在不同生长阶段至关重要，但对农民而言颇具挑战，因为需识别不同种类的植物在多个生长阶段。本研究利用先进的目标检测模型，具体包括基于ResNet50背板的检测转换器（DETR）和基于ResNeXt101背板的RetinaNet，识别16种经济关怀的杂草种类，涵盖174个类别，跨越从幼苗至成熟的11个生长阶段。开发了由203,567张图片组成的稳健数据集，由物种和生长阶段细致标注。模型经过严格训练和评估，RetinaNet在训练集上实现平均精度（mAP）为0.907，在测试集上为0.904，显著优于DETR的mAP分别为0.854和0.840。RetinaNet在召回率和推理速度（7.28 FPS）方面也超越了DETR，更适用于实时应用。两者模型随植物成熟而显示出提高的准确性。这项研究为开发精确、可持续且自动化的杂草管理策略提供了关键见解，为实时种类特定检测系统的发展以及AI辅助农业的进一步创新铺平了道路。
引用
@article{arxiv.2502.14890,
title = {WeedVision: Multi-Stage Growth and Classification of Weeds using DETR and RetinaNet for Precision Agriculture},
author = {Taminul Islam and Toqi Tahamid Sarker and Khaled R Ahmed and Cristiana Bernardi Rankrape and Karla Gage},
journal= {arXiv preprint arXiv:2502.14890},
year = {2025}
}
备注
Accepted and Presented to ICMLA, 2024