Deep Learning for Precision Agriculture: Post-Spraying Evaluation and Deposition Estimation

要約

精密なスプレー評価には、主にスプレー後の画像の自動化が必要です。
この論文では、従来の農業手法を必要とせずに、噴霧後に精密噴霧システムを評価するための説明可能な人工知能 (XAI) コンピューター ビジョン パイプラインを提案します。
開発されたシステムは、レタス、ハコベ、牧草などの潜在的なターゲットを意味的にセグメント化し、ターゲットが散布されたかどうかを正確に識別できます。
さらに、このパイプラインは、ドメイン固有の弱い教師付き堆積推定タスクを使用して評価し、{\μ}L 単位でのスプレー堆積重量のクラス固有の定量化を可能にします。
クラスごとにスプレー堆積の被覆率を推定すると、精密スプレー システムの有効性をさらに理解できるようになります。
私たちの研究では、さまざまなクラス アクティベーション マッピング手法、つまり AblationCAM と ScoreCAM を評価して、どちらがこれらのタスクにとってより効果的で解釈しやすいかを判断します。
パイプラインでは、推論のみの機能融合が使用され、さらなる解釈可能性が可能になり、スプレー後の精密なスプレー評価の自動化が可能になります。
私たちの調査結果は、EfficientNet-B0 バックボーンと推論専用機能の融合を備えた完全畳み込みネットワークが、テスト セットの 3 つのクラスにわたって、堆積値の平均絶対差 156.8 {\μ}L を達成することを示しています。
この論文で厳選されたデータセットは、https://github.com/Harry-Rogers/PSIE で公開されています。

要約(オリジナル)

Precision spraying evaluation requires automation primarily in post-spraying imagery. In this paper we propose an eXplainable Artificial Intelligence (XAI) computer vision pipeline to evaluate a precision spraying system post-spraying without the need for traditional agricultural methods. The developed system can semantically segment potential targets such as lettuce, chickweed, and meadowgrass and correctly identify if targets have been sprayed. Furthermore, this pipeline evaluates using a domain-specific Weakly Supervised Deposition Estimation task, allowing for class-specific quantification of spray deposit weights in {\mu}L. Estimation of coverage rates of spray deposition in a class-wise manner allows for further understanding of effectiveness of precision spraying systems. Our study evaluates different Class Activation Mapping techniques, namely AblationCAM and ScoreCAM, to determine which is more effective and interpretable for these tasks. In the pipeline, inference-only feature fusion is used to allow for further interpretability and to enable the automation of precision spraying evaluation post-spray. Our findings indicate that a Fully Convolutional Network with an EfficientNet-B0 backbone and inference-only feature fusion achieves an average absolute difference in deposition values of 156.8 {\mu}L across three classes in our test set. The dataset curated in this paper is publicly available at https://github.com/Harry-Rogers/PSIE

arxiv情報

提供元, 利用サービス

arxiv.jp, Google