A New Dataset and Comparative Study for Aphid Cluster Detection and Segmentation in Sorghum Fields

要約

アブラムシの蔓延は、小麦やソルガム畑に大規模な被害をもたらす主な原因の 1 つであり、植物ウイルスの最も一般的な媒介物の 1 つであり、農業の収量に重大な損失をもたらします。
この問題に対処するために、農家は健康や環境に悪影響を与える有害な化学農薬を非効率的に使用することがよくあります。
その結果、害虫があまり発生していない地域では大量の殺虫剤が浪費されています。
このことから、複雑な作物林冠内で十分に大きな侵入を選択的に見つけて散布できるインテリジェントな自律システムの緊急の必要性が注目されています。
私たちは、アブラムシのクラスターの検出とセグメンテーションのための大規模なマルチスケール データセットを開発しました。このデータセットは、実際のソルガム畑から収集され、アブラムシのクラスターを含むように細心の注意を払って注釈が付けられています。
私たちのデータセットは合計 54,742 の画像パッチで構成されており、さまざまな視点、多様な照明条件、複数のスケールを示し、現実世界のアプリケーションに対するその有効性を強調しています。
この研究では、アブラムシのクラスターのセグメンテーションと検出に特化した 4 つのリアルタイム セマンティック セグメンテーション モデルと 3 つのオブジェクト検出モデルをトレーニングし、評価しました。
精度と効率のバランスを考慮すると、Fast-SCNN は最も効果的なセグメンテーション結果をもたらし、平均精度 80.46%、平均再現率 81.21%、および 91.66 フレーム/秒 (FPS) を達成しました。
物体検出では、NVIDIA V100 GPU で RT-DETR が 61.63% の平均平均精度 (mAP)、92.6% の平均再現率、72.55 という最高の全体パフォーマンスを示しました。
私たちの実験はさらに、アブラムシの侵入を評価するには、検出モデルを使用するよりもアブラムシクラスターのセグメンテーションの方が適していることを示しています。

要約(オリジナル)

Aphid infestations are one of the primary causes of extensive damage to wheat and sorghum fields and are one of the most common vectors for plant viruses, resulting in significant agricultural yield losses. To address this problem, farmers often employ the inefficient use of harmful chemical pesticides that have negative health and environmental impacts. As a result, a large amount of pesticide is wasted on areas without significant pest infestation. This brings to attention the urgent need for an intelligent autonomous system that can locate and spray sufficiently large infestations selectively within the complex crop canopies. We have developed a large multi-scale dataset for aphid cluster detection and segmentation, collected from actual sorghum fields and meticulously annotated to include clusters of aphids. Our dataset comprises a total of 54,742 image patches, showcasing a variety of viewpoints, diverse lighting conditions, and multiple scales, highlighting its effectiveness for real-world applications. In this study, we trained and evaluated four real-time semantic segmentation models and three object detection models specifically for aphid cluster segmentation and detection. Considering the balance between accuracy and efficiency, Fast-SCNN delivered the most effective segmentation results, achieving 80.46% mean precision, 81.21% mean recall, and 91.66 frames per second (FPS). For object detection, RT-DETR exhibited the best overall performance with a 61.63% mean average precision (mAP), 92.6% mean recall, and 72.55 on an NVIDIA V100 GPU. Our experiments further indicate that aphid cluster segmentation is more suitable for assessing aphid infestations than using detection models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google