DeepWeeds: 用于深度学习的多类杂草物种图像数据集
本文介绍了一种使用编码器 - 解码器串联卷积神经网络进行密集语义杂草分类的方法,以通过微型飞行器收集的多光谱图像减少损害周围植物的可靠而精确的杂草检测,训练不同数量通道的模型并在嵌入式 GPU 系统中进行部署。
Sep, 2017
使用深度学习模型对长尾数据集中的杂草进行分类,提出了一种基于类优化损失和深层表示的 WeedCLR 方法,在无标签数据上使用自监督学习来学习视觉特征,并通过类优化损失函数解决长尾数据集中的类别不平衡问题,相较于先前的方法在不同环境条件下展现出更好的泛化能力和稳健性,无需昂贵且耗时的人工标注,可广泛应用于场地特定的杂草管理和作物干预技术。
Oct, 2023
有机除草控制是提高农作物收益的可持续方法的关键所在。本文提出了一种专为有机农场设计的定向能量除草机器人原型。该机器人利用分布式阵列机器人 (DAR) 单元进行除草处理。对大豆和玉米数据库进行建模以训练深度学习神经网络进行除草识别。初始的深度学习神经网络在分类农作物方面表现出很高的性能。该机器人使用一种专利的有机除草配方,无紫外线 C (UV-C),并且对土壤没有化学损害或物理扰动。深度学习可以在自然环境下对大豆田中的 8 种常见杂草进行高达 98% 准确率的分类。
May, 2024
这篇文章提出了用于精准农业领域的作物 - 杂草识别新数据集 CWD30,并基于该数据集进行了精细识别和深度学习实验。实验显示,该数据集有助于提高模型性能和减少训练资源浪费,是作物 - 杂草识别算法的基准。
May, 2023
通过实例分割技术,我们使用一个全面的数据集训练神经网络,以检测杂草和大豆植物的生长阶段,并提供了 6 个先进模型,实现了在所有植物类别中 79.1% 的平均精度和 69.2% 的平均召回率。
Jun, 2024
现代农业依靠特定场地管理实践,需要准确检测、定位和量化农作物和杂草,可以通过深度学习技术实现。本研究提出了一种新颖的集成框架,利用不同的农作物和杂草模型以及可训练的元架构来结合它们的输出,从而在未知测试数据上显著提高了甘蓝作物和科冷草杂草的性能。经过消融研究的验证,证明了我们提出的模型的有效性。此外,我们还提出了两个用于比较的新颖数据集。
Oct, 2023
本文提出了一种有效的农业杂草分类解决方案,该方案在推断时优化了模型性能,同时尊重农业领域的约束。我们通过使用 8 位整数(int8)量化的量化深度神经网络模型对包含 9 个杂草类别的数据集进行分类,这与标准的 32 位浮点(fp32)模型有所不同。通过在深度杂草数据集上应用迁移学习和微调,我们将此方法在 ResNet-50 和 InceptionV3 架构上进行了评估,并将其性能与其 int8 量化版本进行了比较。结果显示,在保持准确性的同时,模型大小和推断时间大幅减少,适用于台式机、移动设备和树莓派等实际生产场景。我们的工作为农业中的高效人工智能指明了一个有前景的方向,具有更广泛的应用潜力。
Oct, 2023
本文针对以减少除草剂使用量为目标的精准农业机器人的需要,提出了一种利用 RGB 数据进行基于 CNN 的作物分割和背景分类的方法,该方法利用植被指数实现实时分类,并且通过少量训练数据,可以在陌生的地块上进行有效的重新训练。在德国和瑞士的不同领域进行了实地测试,结果显示该系统的泛化能力很好,可在约 20Hz 的速度下进行在线操作,适合实际的农业生产。
Sep, 2017