
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于深度学习的农作物杂草分类:CNN、视觉变换器与可解释模型对比研究
《Scientific Reports》:Crop-weed classification using deep learning: a comparative study of CNNs, vision transformers, and interpretable models
【字体: 大 中 小 】 时间:2026年06月30日 来源:Scientific Reports 4.9
编辑推荐:
摘要在精准农业中,准确区分作物与杂草至关重要,因为这有助于实施有针对性的干预措施并实现高效的资源管理。然而,由于标签噪声、光照条件差异、领域变化以及不同的成像环境,实际应用仍面临诸多挑战。本研究使用了两个在采集条件和标注质量上存在差异的数据集,评估了ResNet50、ResNet
在精准农业中,准确区分作物与杂草至关重要,因为这有助于实施有针对性的干预措施并实现高效的资源管理。然而,由于标签噪声、光照条件差异、领域变化以及不同的成像环境,实际应用仍面临诸多挑战。本研究使用了两个在采集条件和标注质量上存在差异的数据集,评估了ResNet50、ResNet101、视觉变换器(ViT)、CLIP以及基于原型的PIPNet五种深度学习模型在作物与杂草分类方面的性能。结果表明,数据质量对模型性能有着显著影响。在清晰、分离度高的图像上训练的模型,其性能始终优于在田间采集的数据上训练的模型,不同架构的模型性能提升幅度约为25–30%。跨数据集评估时,模型性能出现明显下降,准确率最高可下降50%,这说明在领域变化情况下模型的泛化能力较弱。在所评估的各种方法中,CLIP和PIPNet的性能相对稳定,且对常见的图像缺陷具有更强的抗干扰能力。这些模型似乎得益于语义上有意义且结构化的特征表示方式。PIPNet在清晰度较高的数据集上取得了最高的准确率,同时还能通过学到的视觉原型提供可解释的预测结果。总体而言,这些研究结果强调了高质量标注的重要性,以及开发能够适应不断变化的田间条件的模型的必要性。那些结合了语义理解与可解释性的方法,在实际的农业环境中实现可靠的作物与杂草分类方面具有更大的潜力。
生物通微信公众号
热搜:精准农业作物杂草分类|深度学习模型性能评估|数据质量标签噪声|视觉特征感知能力|跨域泛化极限|可解释原型网络 在精准农业的背景下|该研究重点考察了不同深度的ResNet模型、ViT及翻译学习模型在作物与杂草识别任务中的表现|侧重于分析数据标注的准确性和不同成像条件下的泛化能力|揭示了图像清晰度模型性能下降显著且CLIP方法表现相对稳定的关键发现。 数据集强烈影响着模型的最终性能|高质量标注带来的25-30%提升|而跨数据集测试中识别准确率可降低50%的领域不一致问题|暴露出传统模型难以有效应对实际田间环境复杂度的局限|联合语义理解与可解释性原理的PIPNet凭借原型表示展现出最佳抗干扰性和性能稳定性。|||||||意识层识别机制在解决数据噪声和光照不匹配难题时展现出较强鲁棒性|实测表明CLIP在图像缺陷压力下具有最佳稳定性|而ViT架构在纯视觉领域的数据集上效果优于原生模型|分别证明了代码执行与数学符号在特定计算范式下的潜在价值。|||||||