Hierarchical Mask2Former: Panoptic Segmentation of Crops, Weeds and Leaves

要約

画像から詳細な推論を可能にするマシンビジョンの進歩は、農業を含む多くの分野を変革する可能性を秘めています。
データ分析により正確に対象を絞った介入が可能となる精密農業には、多くの応用可能性があります。
たとえば、精密散布では、畑全体に散布するのではなく、除草剤の散布を雑草のみに制限したり、肥料の散布を栄養不足の作物のみに制限したりできます。
このアプローチは、資源の使用と周囲の環境への害を最小限に抑えながら、収量を最大化することを約束します。
この目的を達成するために、植物の成長の指標を特定し、画像内の雑草の位置を特定する階層的パノプティック セグメンテーション手法を提案します。
パノプティック セグメンテーション用の最先端アーキテクチャである Mask2Former を適応させて、作物、雑草、葉のマスクを予測します。
PQ{\dag} 75.99 を達成しました。
さらに、アーキテクチャをよりコンパクトにして、時間と計算に制約のあるアプリケーションにより適したものにするためのアプローチを検討します。
よりコンパクトなアーキテクチャにより、推論は最大 60% 高速になり、PQ{\dag} の削減は 1% 未満です。

要約(オリジナル)

Advancements in machine vision that enable detailed inferences to be made from images have the potential to transform many sectors including agriculture. Precision agriculture, where data analysis enables interventions to be precisely targeted, has many possible applications. Precision spraying, for example, can limit the application of herbicide only to weeds, or limit the application of fertiliser only to undernourished crops, instead of spraying the entire field. The approach promises to maximise yields, whilst minimising resource use and harms to the surrounding environment. To this end, we propose a hierarchical panoptic segmentation method to simultaneously identify indicators of plant growth and locate weeds within an image. We adapt Mask2Former, a state-of-the-art architecture for panoptic segmentation, to predict crop, weed and leaf masks. We achieve a PQ{\dag} of 75.99. Additionally, we explore approaches to make the architecture more compact and therefore more suitable for time and compute constrained applications. With our more compact architecture, inference is up to 60% faster and the reduction in PQ{\dag} is less than 1%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google