Enhancing weed detection performance by means of GenAI-based image augmentation

要約

作物の生産性と生態系のバランスを維持するには、正確な雑草管理が不可欠です。
従来の除草剤の用途は経済的および環境的課題に直面しており、ディープラーニングを活用したインテリジェントな雑草制御システムの必要性が強調されています。
これらのシステムには、大量の高品質のトレーニング データが必要です。
ただし、十分に注釈が付けられたトレーニング データが不足しているという現実は、多くの場合、データ拡張を使用してより多くのデータを生成することで解決されます。
それにもかかわらず、ランダムな反転、色の変更、ぼかしなどの従来の拡張技術には、十分な忠実度と多様性が欠けています。
この論文では、安定拡散モデルを使用して、雑草検出モデルのトレーニング データセットの量と質を向上させる多様な合成画像を生成する生成 AI ベースの拡張技術を調査します。
さらに、この論文では、リアルタイム検出システムのパフォーマンスに対するこれらの合成画像の影響を調査し、エッジ デバイス用の YOLO nano などのコンパクトな CNN ベースのモデルに焦点を当てています。
実験結果は、生成 AI 拡張データセットでトレーニングされた YOLO モデルの平均平均精度 (mAP50 および mAP50-95) スコアが大幅に向上していることを示しており、モデルの堅牢性と精度を向上させる合成データの有望な可能性を示しています。

要約(オリジナル)

Precise weed management is essential for sustaining crop productivity and ecological balance. Traditional herbicide applications face economic and environmental challenges, emphasizing the need for intelligent weed control systems powered by deep learning. These systems require vast amounts of high-quality training data. The reality of scarcity of well-annotated training data, however, is often addressed through generating more data using data augmentation. Nevertheless, conventional augmentation techniques such as random flipping, color changes, and blurring lack sufficient fidelity and diversity. This paper investigates a generative AI-based augmentation technique that uses the Stable Diffusion model to produce diverse synthetic images that improve the quantity and quality of training datasets for weed detection models. Moreover, this paper explores the impact of these synthetic images on the performance of real-time detection systems, thus focusing on compact CNN-based models such as YOLO nano for edge devices. The experimental results show substantial improvements in mean Average Precision (mAP50 and mAP50-95) scores for YOLO models trained with generative AI-augmented datasets, demonstrating the promising potential of synthetic data to enhance model robustness and accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google