Field-based deep learning classification of cotton and weeds for machine-vision-assisted intra-row weed management

方法

迁移学习微调两种预训练CNN，使用2025年田间RGB图像共3406张。

发现

DenseNet169测试准确率达99.47%，优于MobileNetV2的98.27%。

机会点

可延伸至植株定位、多光照与密度条件下的感知-决策-执行全流程田间验证。

及时、精准的杂草管理对于减少棉花生产中的棉草竞争、劳动力需求和不必要的除草投入至关重要。可靠地区分棉花植株与杂草是实现行内自动化杂草管理的前提。本研究评估了两种预训练卷积神经网络模型——MobileNetV2和DenseNet169，利用田间采集的RGB图像对棉花与杂草进行二分类。图像于2025年5月至9月期间，在自然田间条件下，采集自哈里亚纳邦一处农民管理的棉田以及新德里ICAR-印度农业研究所的实验棉田。数据集包含2，195幅杂草图像，涵盖六种主要杂草种类，以及1，211幅棉花图像。图像被分为棉花和杂草两个操作类别。训练图像经过增强处理以解决原始类别不平衡问题，而验证和测试图像则保留未增强状态。采用迁移学习对两种模型进行微调，并使用准确率、精确率、召回率、F1分数、混淆矩阵和推理时间评估性能。两种模型均取得了较高的分类性能。DenseNet169的测试准确率达到99.47%，而MobileNetV2为98.27%。结果表明，预训练卷积神经网络能够在所研究的田间条件下实现棉花与杂草植被在图像层面的准确区分。因此，DenseNet169有望作为机器视觉辅助行内杂草管理的视觉感知组件。然而，本研究仅限于图像层面的分类，并未展示植株定位、机器连续作业、执行器协调或田间规模除草。仍需在独立地点、不同杂草密度、光照条件、机器行进速度以及完整的感知-决策-执行流程下进行进一步验证。