WeedNet: a foundation model-based global-to-local AI approach for weed species identification and classification
Yanben Shen · Timilehin T. Ayanlade · Venkata Naresh Boddepalli 等 19 人
提出WeedNet基础模型，实现全球杂草物种识别与区域微调。
自监督学习、微调与可信策略，基于1400万张图像训练。
全球1593种杂草识别准确率91%，爱荷华84种微调后达97%。
可探索跨区域杂草基础模型微调与无人机/机器人平台集成。
基于1400万图像、覆盖1593种杂草的全球基础模型，全局到局部微调思路清晰，对智慧农业与农业机器人有实质参考价值。
早期杂草识别对有效管理和控制至关重要，研究人员、农艺学家和技术开发者对利用计算机视觉和人工智能实现该过程自动化的兴趣日益浓厚；然而，专家验证数据有限以及形态特征多变，阻碍了基于人工智能的杂草识别模型的发展。为解决这些问题，我们提出了WeedNet，一个能够识别大量杂草物种的全球尺度杂草识别模型。WeedNet是一个端到端的杂草识别流程，采用自监督学习、微调以及增强可信度策略。WeedNet在1,593种杂草上实现了91.02%的准确率，其中41%的物种达到100%准确率。采用微调方法，爱荷华本地WeedNet模型对84种爱荷华杂草实现了97.38%的总体准确率。对种内差异性和种间相似性的测试表明，所采集图像中涵盖所有生长阶段和可区分植物特征的多样性，对驱动模型性能至关重要。全球WeedNet模型作为基础，全球到本地策略能够实现有针对性的微调，以提升区域杂草群落中的性能。对无人机和地面巡游机器人图像进行的额外验证，凸显了WeedNet集成到机器人平台中的潜力。此外，与人工智能集成用于对话式使用，可为农民、研究人员和政府机构在不同景观中提供智能农业和生态保护咨询工具。杂草持续威胁全球作物产量，因此早期准确识别对有效管理至关重要。WeedNet在代表1,593种杂草的1,400万张图像上训练，实现了91%的全球准确率，并通过全球到本地微调，对爱荷华杂草达到97%的准确率。