Kış Ürün Ekisi-Yabani Ot Görsel Sınıflandırması için İki Aşamalı Kendi Denetimli Öğrenme Çerçevesi

Summary

Bu çalışma, kış ürünü ve yabani ot görüntü sınıflandırmasının kendi denetimli ön eğitim ve denetimli ince ayarlanması için iki aşamalı derin öğrenme boru hattının uygulanmasını değerlendirmektedir. WinterCropWeedDB veri seti üzerindeki deneyler, Grad-CAM görselleştirmeleri dahil olmak üzere tek bir dahili bölünme kullanılarak gerçekleştirilir.

Abstract

Hassas tarım, kış ürünleri ile yabani otlar arasında doğru ayrım gerektirir, ancak kış tarım sistemleri için açıklamalı görüntü verileri eksiktir. Bu makale, kendi kendine denetlenen özellik öğrenimini ve kış ürünü ve yabani ot görüntü sınıflandırması için denetimli ince ayar ile bütünleştiren iki aşamalı derin öğrenme yaklaşımını incelemektedir. Bu makalede önerilen ve kullanılan yeni bir kış ürünü ve yabani ot görsel veri seti olan WinterCropWeedDB, Orta Hindistan'daki tarım tarlalarından toplanan altı kış ürünü türü ve dört yabani ot türünün 1.136 yüksek çözünürlüklü görüntüsünü içermektedir. Kendi denetimli öğrenmenin ilk aşamasında, EfficientNet-B3 modeli, SimCLR tarzı kendi denetimli öğrenme yaklaşımı kullanılarak ve görüntülerde InfoNCE kayıp fonksiyonu (sıcaklık τ = 0.5) kullanılarak önceden eğitilir. Ortalama karşılaştırmalı kayıp değeri, ilk iterasyonda 2.0712'den ön eğitimin sonunda 1.6835'e düşer. Denetimli ince ayarın ikinci aşamasında, önceden eğitilmiş EfficientNet-B3 modeli, görüntülerde denetimli sınıflandırıcı başlığı ile ince ayar edilir ve veri setinin tek bir iç doğrulama bölünmesinde (%30) test edilir. İnce ayarlanmış model, %98,27'lik maksimum doğrulama doğruluğuna ulaşır ve makro ortalamalı F1 puanı 0,98'dir. Gradyen ağırlıklı sınıf aktivasyon haritalaması (Grad-CAM) ve Grad-CAM++ ile sınıf tahminlerine katkıda bulunan görüntü bölgelerinin niteliksel görselleştirilmesini sağlamak için ince ayarlanmış modelde kullanılır. Deney sonuçları, bölgeye özgü veri setinde kış mahsulü ve yabani ot görüntülerinin sınıflandırılması için kendi denetimli ön eğitim ve denetimli ince ayarlama kullanmanın uygulanabilirliğini gösterirken, bağımsız test setlerinde ek testlerin önemini vurguluyor.

Introduction

Hassas tarımda, otomatik ürün ve yabani ot sınıflandırması için derin öğrenme tabanlı bilgisayar görme yöntemlerinin giderek daha fazla kullanılmasına yol^{açmıştır 1}. Konvolüsyon sinir ağlarının bitki tanıma görevlerinde etkili olduğu gösterilmiştir; ancak performansları genellikle büyük veri kümelerinin mevcut olup ve kesin şekilde açıklama yapılmasına^{bağlıdır 2}. Çoğu tarım ortamında, özellikle kış ürünleri gibi az temsil edilen tarım sistemlerinde, kapsamlı etiketlenmiş görüntü verisi elde etme süreci zaman alıcı, zahmetli ve pahalıdır ^3,4

Protocol

Veri seti açıklaması

WinterCropWeedDB veri seti, Hindistan'ın Chhattisgarh eyaletindeki kış tarım tarlalarından alınan altı kış ürün türü (buğday, nohut, bezelye, mercimek, hardal ve çimen bezelye) ve dört yabani ot türünün (yaygın fırcık, küçük kanarya otu, kaz ayağı (Chenopodium albümü) ve Euphorbia clementei ile ilgili 1.136 yüksek çözünürlüklü (kırmızı, yeşil, mavi) RGB görüntüsünden oluşur (Şekil 1). Görüntüler, değişen aydınlatma, büyüme aşamaları ve arka plan karmaşıklığı dahil olmak üzere doğal koşullar altında çekildi. Tüm görseller b....

Results

Önceki yaklaşımlar ve iş akışı konumlandırması genel görünümü

Tarımsal ürün yabani otu tanıma için daha önce uygulanan temsili öğrenme yaklaşımlarının özeti Tablo 1'de verilmiştir. Tablo, denetimli, yarı denetimli ve kendi kendine denetimli öğrenme stratejileri, kullanılan veri setleri, raporlanan sonuçlar ve sunulan sınırlamalar hakkında genel bir bakış sunmaktadır. Önceki çalışmaların çoğu, yazlık tarım sistemleri veya nesne.......

Discussion

Bu çalışma, SimCLR fikrini kullanarak kendi denetimli ön eğitim ve WinterCropWeedDB veri setinde kış mahsulü ve yabani ot görüntü sınıflandırması için denetli ince ayar içeren iki aşamalı derin öğrenme yaklaşımının kullanımını inceledi. Sonuçlar, önerilen yaklaşımın bölgeye özgü bir kış tarımı görüntü veri seti üzerinde güvenilir şekilde eğitilebileceğini ve dahili doğrulama setinin tek bir bölümünde test edilebileceğini göstermektedir. Bu bölüm, bu çalışmanın sonuçları, sonuçları ve sın.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
CUDA Araç Seti	NVIDIA	12.8
cuDNN	NVIDIA	9.1
Grafik işlemci birimi (GPU)	NVIDIA	GeForce RTX 5050 Dizüstü Bilgisayar Kartı
Matplotlib	Matplotlib Geliştiricileri	3.9.2
NumPy	NumPy Geliştiricileri	1.26.0
İşletim sistemi	Microsoft	Linux (WSL2), kernel 6.6.87
Python	Python Yazılım Vakfı	3.12.7
PyTorch	PyTorch Vakfı	2.1.0 (geliştirme sürümü)
scikit-learn	scikit-learn Geliştiriciler	1.5.1
Timm	GitHub repository	1.0.24
Torchvision	PyTorch Vakfı	0.25.0 (geliştirme sürümü)
WinterCropWeedDB	Mendeley Data, DOI: 10.17632/m4h6zdsh79.1	Sürüm 1