Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł badawczy
Prace te oceniają zastosowanie dwustopniowego pipeline'u głębokiego uczenia do samodzielnie nadzorowanego wstępnego szkolenia i precyzyjnego dostrojenia klasyfikacji obrazów roślin zimowych i chwastów. Eksperymenty na zbiorze danych WinterCropWeedDB prowadzone są przy użyciu jednego wewnętrznego podziału, z uwzględnieniem wizualizacji Grad-CAM.
Rolnictwo precyzyjne wymaga dokładnego rozróżniania między uprawami zimowymi a chwastami, jednak brakuje adnotowanych danych obrazowych dla systemów upraw zimowych. Niniejszy artykuł bada dwuetapowe podejście do głębokiego uczenia, które integruje samodzielnie nadzorowane uczenie cech z nadzorowanym dopracowywaniem klasyfikacji obrazów upraw zimowych i chwastów. Proponowany i wykorzystany w tym artykule jest nowy zbiór zdjęć upraw zimowych i chwastów, WinterCropWeedDB, który zawiera 1 136 zdjęć w wysokiej rozdzielczości sześciu gatunków upraw zimowych oraz czterech gatunków chwastów zebranych na polach rolniczych w środkowych Indiach. W pierwszym etapie samodzielnie nadzorowanego uczenia model EfficientNet-B3 jest wstępnie trenowany za pomocą samonadzorowanego podejścia w stylu SimCLR z funkcją strat InfoNCE (temperatura τ = 0,5) na obrazach. Średnia wartość strat kontrastowych spada z 2,0712 w pierwszej iteracji do 1,6835 na końcu pretraining. W drugim etapie nadzorowanego dostrojenia model EfficientNet-B3 jest precyzyjnie dopracowywany za pomocą nadzorowanej głowicy klasyfikacyjnej na obrazach i testowany na jednym wewnętrznym podziale walidacyjnym (30%) zbioru danych. Model precyzyjnie dopracowany osiąga maksymalną dokładność walidacji na poziomie 98,27%, z makro-średnim wynikiem F1 0,98. Gradientowe ważone mapowanie aktywacji klas (Grad-CAM) oraz Grad-CAM++ są stosowane w precyzyjnie dostrojonym modelu, aby zapewnić jakościową wizualizację obszarów obrazów przyczyniających się do przewidywania klas. Wyniki eksperymentu pokazują wykonalność stosowania samodzielnie nadzorowanego wstępnego szkolenia i precyzyjnego dopracowywania do klasyfikacji obrazów upraw zimowych i chwastów na specyficznym dla regionu zbiorze danych, jednocześnie podkreślając znaczenie dodatkowych testów na niezależnych zestawach testowych.
Rolnictwo precyzyjne odnotowało coraz większe wykorzystanie metod komputerowego widzenia opartych na głębokim uczeniu do automatyzacji klasyfikacji upraw i chwastów1. Wykazano, że sieci neuronowe konwolucyjne są skuteczne w zadaniach rozpoznawania roślin; jednak ich wydajność zwykle zależy od dostępności dużych zbiorów danych, które są precyzyjnie anotowane2. W większości środowisk rolniczych, zwłaszcza w niedostatecznie reprezentowanych systemach upraw, takich jak uprawy zimowe, proces pozyskiwania obszernych danych obrazowych z oznakowaniem jest czasochłonny, mozolny i kosztowny 3,4
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Opis zbioru danych
Zbiór danych WinterCropWeedDB składa się z 1 136 wysokorozdzielczych (czerwony, zielony, niebieski) obrazów RGB sześciu gatunków upraw zimowych (pszenica, ciecierzyca, groch, soczewica, gorczyca i groch trawny) oraz czterech gatunków chwastów (wyka zwyczajna, kanarka mniejsza, gęsia łapka (Chenopodium album) oraz Euphorbia clementei) wykonanych z zimowych pól uprawnych w stanie Chhattisgarh w Indiach (Rysunek 1). Zdjęcia zostały wykonane w warunkach naturalnych, w tym zmiennym oświetleniu, etapach wzrostu i złożoności tła. Wszystkie obrazy początkowo były be....
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Przegląd wcześniejszych podejść i pozycjonowania workflow
Podsumowanie reprezentatywnych metod uczenia się stosowanych wcześniej do rozpoznawania chwastów rolniczych znajduje się w Tabeli 1. Tabela przedstawia przegląd strategii nauczania nadzorowanego, półnadzorowanego oraz samodzielnie nadzorowanego, wykorzystywanych zbiorów danych, raportowanych wyników oraz przedstawionych ograniczeń. Większość wcześniejszych prac koncentruje się na letnich systemach upraw.......
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Praca ta analizowała zastosowanie dwuetapowego podejścia do głębokiego uczenia, obejmującego samodzielnie nadzorowane wstępne szkolenie z wykorzystaniem idei SimCLR oraz nadzorowane dopracowywanie klasyfikacji obrazów roślin zimowych i chwastów na zbiorze danych WinterCropWeedDB. Wyniki pokazują, że proponowane podejście można niezawodnie trenować na regionalnym zbiorze obrazów zimowego rolnictwa i testować na jednym fragmencie wewnętrznego zbioru walidacyjnego. Ta sekcja przedstawia analizę wyników, implikacji i ogranic.......
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Autorzy deklarują brak konkurencyjnych interesów. Narzędzia językowe oparte na AI (QuillBot) były wykorzystywane wyłącznie do dopracowywania języka i przygotowania kontrargumentów, a cała treść naukowa i wnioski były autorami autorów.
Badania te nie otrzymały żadnego konkretnego grantu od instytucji finansujących sektor publiczny, komercyjny ani non-profit.
....Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Zestaw narzędzi CUDA | NVIDIA | 12.8 | |
| cuDNN | NVIDIA | 9.1 | |
| Jednostka przetwarzania grafiki (GPU) | NVIDIA | Karta graficzna GeForce RTX 5050 do laptopa | |
| Matplotlib | Twórcy Matplotlib | 3.9.2 | |
| NumPy | Deweloperzy NumPy | 1.26.0 | |
| System operacyjny | Microsoft | Linux (WSL2), jądro 6.6.87 | |
| Python | Python Software Foundation | 3.12.7 | |
| PyTorch | Fundacja PyTorch | 2.1.0 (wersja deweloperska) | |
| scikit-learn | Deweloperzy scikit-learn | 1.5.1 | |
| timm | Repozytorium GitHub | 1.0.24 | |
| Torchvision | Fundacja PyTorch | 0.25.0 (wersja deweloperska) | |
| WinterCropWeedDB | Dane Mendeley, DOI: 10.17632/m4h6zdsh79.1 | Wersja 1 |
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.