精准农业中精度与成本的平衡:一种高效杂草-作物分割的小样本学习方法

《Computers and Electronics in Agriculture》:Balancing accuracy and cost in precision agriculture: a few-shot learning approach for efficient weed ? crop segmentation

【字体: 大 中 小 】 时间:2026年02月12日 来源:Computers and Electronics in Agriculture 10.3

编辑推荐:

  自主除草作为计算机视觉与农学交叉领域的一项任务,依赖于从机器人采集的图像中精确分割作物与杂草。传统分割模型(如YOLO)需要大规模、密集标注的数据集,其创建过程成本高昂且劳动密集。相比之下,小样本学习(FSL)方法能够从极少量的标注样本中学习,显著降低数据集创

  
自主除草作为计算机视觉与农学交叉领域的一项任务,依赖于从机器人采集的图像中精确分割作物与杂草。传统分割模型(如YOLO)需要大规模、密集标注的数据集,其创建过程成本高昂且劳动密集。相比之下,小样本学习(FSL)方法能够从极少量的标注样本中学习,显著降低数据集创建成本。本研究评估了FSL架构HDMNet仅使用单张标注支持图像进行作物与杂草分割的能力。在检测豆类和玉米植株时,其性能保留了广泛使用的、面向大数据集的标注密集型检测器(如YOLOv5和YOLOv8)73%–80%的精度。由于农业领域缺乏可靠的标注工作量估计,研究人员提供了生成像素级标签所需劳动力的定量评估。准备包含2,069张图像的“Early”数据集约需181小时,而包含102张图像的“Refined”数据集仍需约186小时。标注分别约占25小时和30小时。这些发现表明,增加标注粒度会急剧提高工作量,但不会带来成比例的精度提升,因此对于基于YOLO的模型,数据集规模比掩膜细节更有益。相比之下,小样本方法在消除大部分标注劳动的同时实现了有竞争力的性能。该研究还发布了来自2023年ACRE田间竞赛的新数据集,包括“Early”和“Refined”版本。总体而言,这些发现为设计高效的农业图像分析数据集提供了实用指导,并证明FSL可以大幅降低自主除草系统的部署成本。
**论文解读:精准农业中基于小样本学习的杂草-作物分割:精度与成本的权衡**

**一、研究背景与问题**

随着全球人口预计在2050年达到90–100亿,可持续农业规模化解决方案的需求日益迫切。传统大规模农业虽然提高了粮食产量,但常导致资源利用效率低下,忽视自然保护、环境可持续性和生态系统服务。近年来,人工智能(AI)和机器人技术在农业领域的广泛应用,推动了精准农业(Precision Agriculture)的发展,其核心目标是通过精确信息实现资源高效利用并减轻环境影响。自主除草机器人作为精准农业的重要应用,能够通过精准喷洒或机械销毁减少化学投入,降低作物损伤。然而,自主除草在真实环境中成功部署的关键前提是能够从机器人采集的图像中准确分割杂草和作物区域。语义分割(Semantic Segmentation)技术(如Mask R-CNN、PSPNet、YOLO)在此任务中至关重要,但这些传统模型在农业应用中面临显著挑战:它们严重依赖大规模、高质量标注数据集,而农业田间图像复杂,杂草遮挡严重、环境条件多变、作物类型多样,使得人工像素级标注既耗时又容易出错。此外,CNN模型一旦训练完成,只能识别固定类别的目标,若要增加新类别(如新杂草物种或作物),需用数千张额外图像进行微调,进一步加剧数据依赖。尽管迁移学习(Transfer Learning)在一定程度上缓解了数据需求,但仍需足够的标注数据以避免过拟合。这种数据密集型范式构成了精准农业中自主除草解决方案开发的入门壁垒。

**二、研究目标与方法**

针对上述问题,本研究旨在评估小样本学习(Few-Shot Learning, FSL)方法在作物和杂草分割任务中的潜力,并将其与广泛应用的YOLO系列模型进行系统比较。研究聚焦于两个核心维度:分割模型的性能(以交并比IoU和平均交并比mIoU衡量)以及数据集创建和标注所需的人工工时(human hours)。研究采用了以下关键技术方法:

1. **HDMNet(Hierarchically Decoupled Matching Network)**:一种先进的FSL分割架构,能够在仅提供1个或5个标注支持图像(support set)的情况下学习新类别的分割。其核心机制包括:基于支持集掩膜过滤背景、利用预训练骨干网络提取特征、通过多阶段自注意力和下采样生成层次化特征、计算相关性矩阵并融合丰富特征,最终由解码器生成预测掩膜。

2. **YOLOv5和YOLOv8**:作为传统监督分割方法的代表,它们需要大规模标注数据集进行训练。研究中采用了其默认配置,并针对公平比较设计了自定义评估流程(避免下采样导致的小目标丢失)。

3. **数据集构建**:研究创建了两个新的数据集——'Early'数据集(2,069张图像,标注较粗糙但规模大)和'Refined'数据集(102张图像,标注精细,包括最小叶片)。同时利用了已有的ACRE 2019数据集(来自法国INRAE实验农场,包含玉米和豆类作物及多种杂草)进行跨域泛化测试。

4. **人力成本评估**:通过记录字段准备、图像采集、标注等各阶段的人工工时,量化了数据集创建的成本,并结合意大利农业工人和博士后研究人员的工资标准计算了经济成本。

**三、研究结果**

**(1)YOLO模型性能**:在默认评估配置下,YOLOv5在多数场景中取得最高IoU分数,尤其当训练和测试数据均来自'Early'数据集时(同分布场景)。然而,研究发现YOLO默认评估流程中的下采样操作会丢失小目标(如小杂草叶片),导致IoU虚高。采用自定义评估流程(不进行下采样)后,YOLO的IoU分数显著下降,尤其在包含大量小叶片标注的'Refined'数据集上。

**(2)HDMNet性能**:在公平比较下,HDMNet在作物类别上达到了与YOLO相当甚至更高的性能。例如,当在ACRE 2019上预训练后测试于'Early'或'Refined'数据集时,HDMNet在玉米和豆类作物上的IoU优于YOLO。即使仅使用MS COCO预训练权重(无农业领域训练),HDMNet在5-shot设置下也能在作物分割上超过部分YOLO配置。然而,在杂草分割上,HDMNet表现较弱,尤其在'Refined'数据集的豆类杂草上,IoU仅为YOLO顶尖结果的约2%。

**(3)人力成本对比**:数据集准备总耗时超过360小时。'Early'数据集标注总耗时约150分钟(平均每张0.93分钟),'Refined'数据集标注总耗时约1778分钟(平均每张16.71分钟),尽管'Refined'图像数量更少,但标注时间反而多了5小时。总体成本方面,'Early'数据集约1463欧元,'Refined'数据集约1508欧元,其中标注成本分别约占250欧元和300欧元。

**(4)定性分析与失败案例**:YOLO模型在跨域训练(如使用ACRE 2019)时出现显著误分类(如将岩石误判为豆叶);训练于'Early'数据集时难以检测杂草,而训练于'Refined'数据集时虽改善了杂草检测但引入了更多假阳性和作物混淆。HDMNet在小而分散的杂草上表现不佳,且受查询图像与支持图像之间土壤、光照、旋转差异的影响;在ACRE 2019上预训练可显著减少错误率。

**四、讨论与结论**

研究结果表明,精细标注数据集对精确分割小叶片更有利,但若小叶片检测不是关键,则规模更大但标注较粗的数据集更具优势。在公平评估下,HDMNet仅需1–5个标注示例即可匹配或超越YOLO在作物类别上的性能,同时将标注工作量降低数个数量级。这凸显了FSL在农业机器人领域的潜力,尤其适用于因光照、地形和植物种类变化而需要频繁重新标注的场景。研究还发现,YOLO模型需要大量人工干预和高昂成本,无论数据集规模或精细度如何;而FSL方法大幅减少标注需求,仅需少量标注图片,从而显著降低部署成本。尽管FSL在杂草分割上性能有限,但考虑到杂草管理的时间灵活性,模型仍可作为自主除草系统启动的有效且经济的选择。研究建议,在为新应用领域准备YOLO训练数据集时,应优先考虑数据集规模而非标注粒度,除非应用特别关注小目标。论文发表在《Computers and Electronics in Agriculture》,其贡献包括:两个面向豆类和玉米种植的综合分割数据集('Early'和'Refined')、对数据集创建人力成本的量化基准,以及针对真实农业数据集上FSL模型实用性的系统评估。未来工作可追踪模型在不同杂草生长阶段的泛化能力,并扩展至更广泛的作物和杂草物种。自主除草仍是多方面的挑战,不仅需要感知进步,还需整合更广泛的机器人能力以实现精确且可扩展的杂草控制。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号