Discover Artificial Intelligence·9月10日 · 周四论文农业人工智能与决策模型阅读 0
Comparative evaluation of classical machine learning and deep learning models for early weed detection in precision agriculture
Rajeev Kumar · P. K. Singh · Rohit Kumar Tiwari
论文解读
72接近精选线
速览
对比经典机器学习与深度学习模型在精准农业早期杂草检测中的性能。
方法
用SVM、随机森林、k-NN及CNN，基于甜菜和玉米幼苗图像数据集。
发现
CNN分类准确率达98.7%，显著优于传统机器学习方法。
机会点
可探索轻量化模型在田间边缘设备实时检测杂草的部署与跨物种泛化能力。
影响力16
信息增量20
专业深度16
信源权威12
时效性8
对比经典机器学习与深度学习在作物早期杂草检测中的表现，CNN 分类准确率达 98.7%，方法扎实、结论明确，对精准农业智能除草有参考价值。
原文摘要
除非在早期进行处理和控制，否则杂草会争夺养分、水分和光照等关键因素（资源），从而严重阻碍作物生长。为解决这一问题，提出了一种基于机器学习的图像分析自动化杂草物种早期检测与分类系统。该框架整合了经典机器学习算法——支持向量机（SVM）、随机森林和k近邻（k-NN），利用纹理、形状和颜色等手工特征，并结合深度学习模型——卷积神经网络（CNN），后者可自动学习数据中的判别性特征。本研究对经典机器学习和深度学习模型进行了对比评估。为验证实验，使用了公开的甜菜数据集以及自建的玉米幼苗数据集。为增强泛化性和鲁棒性，执行了一些预处理步骤，包括归一化、背景去除和数据增强。用于评估模型性能的常用指标为F1分数和交并比（IoU）。实验结果表明，深度学习模型优于传统机器学习方法，尤其是CNN。CNN模型的分类准确率达到了98.7%。这些结果证明了深度学习在精准农业中快速、可靠且大规模地早期检测杂草的潜力。本研究凸显了机器学习系统在杂草主动管理以及支持作物早期健康生长方面的可行性。