农业视觉基础模型：DINOv2与知识蒸馏在作物病害及杂草识别中的创新应用

这篇综述探讨了自监督学习（SSL）基础模型DINOv2在农业图像分析中的突破性应用。研究通过线性探测（linear probing）、低秩自适应（LoRA）微调和知识蒸馏（knowledge distillation）技术，验证了DINOv2在病害检测、杂草识别和生长阶段分类任务中的卓越泛化能力，为减少农药使用、实现精准农业（precision agriculture）提供了高效解决方案。

　　

Highlight

本研究通过对比DINOv2基础模型与传统ImageNet预训练模型在农业图像任务中的表现，揭示了自监督学习（SSL）在减少标注数据依赖方面的巨大潜力。实验证明，DINOv2的原始特征在线性探测（linear probing）场景下展现出显著优势，而结合低秩自适应（LoRA）微调后，其在小规模数据集（如Rumex杂草叶片分类）上的分类准确率进一步提升。

Results

在植物病理学、幼苗识别（Plant Seedlings V2）和DeepWeeds数据集测试中，DINOv2的ViT-g/14变体（DINOv2-G[-Reg]）平均准确率超越ImageNet预训练模型15.2%。特别值得注意的是，当将其特征蒸馏至轻量级MobileNetV3架构时，模型在边缘设备上的推理速度提升3倍，同时保持92%以上的分类性能。

Discussion

DINOv2的自注意力机制（self-attention）能有效捕捉作物叶片的多尺度特征（如叶脉纹理和病斑分布），克服了传统卷积神经网络（CNN）局部感受野的局限。然而，在极端光照条件下的特征稳定性仍需优化——这为未来农业机器人（agri-robotics）的实时决策系统提供了改进方向。

Conclusions

该研究证实，基于大规模自监督训练的基础模型能显著降低农业AI应用的开发门槛。通过知识蒸馏（knowledge distillation）技术，DINOv2的语义表征能力可迁移至轻量化模型，为田间实时杂草喷药（spot spraying）和病害预警系统提供了可靠的技术路径。

CRediT作者贡献声明

Borja Espejo-Garcia：主导算法设计；Ronja Güldenring：完成跨数据集验证；Lazaros Nalpantidis：监督模型轻量化研究；Spyros Fountas：统筹精准农业应用场景开发。

利益冲突声明

作者声明不存在影响本研究客观性的财务或个人关系。