基于开集目标检测的作物中心定位技术，实现已知与未知杂草的精准识别

《Precision Agriculture》：Robust identification of known and unknown weeds with crop center localization based on Open-set object detection

　　

摘要

除草是农业中一项至关重要的措施，旨在减少作物与入侵植物之间对生长所需关键资源的竞争。然而，目前大多数用于杂草检测的深度卷积神经网络都是基于封闭集监督学习开发的，这种学习方式假设在应用过程中遇到的所有杂草种类都属于预定义的训练类别。这一假设限制了这些网络在现实田地中的适用性，因为在实际环境中，未知杂草种类常常会与作物及已知杂草一同出现。本研究提出了一种基于开放集学习的深度非线性自编码器（DNAE）原型网络，用以准确检测已知和未知杂草。DNAE模块能够学习已知类别的区分性特征，同时识别出那些偏离所学已知类别特征空间的未知杂草实例。尽管取得了这样的成果，但用于区分已知与未知杂草的双分类器会在作物叶片及中心区域产生相互矛盾的未知杂草检测结果，从而影响作物的精准检测与定位。为此，本研究进一步引入了目标特定未知杂草抑制（TSUS）算法，以消除这些矛盾的检测结果。此外，还开发了一种基于凸优化的作物中心定位（C3L）方法，以便利用开放集处理流程实现机器人化的作物安全控制。通过所提出的开放集处理流程进行的实验表明，该流程能够检测已知和未知杂草种类，同时有效降低绝对开放集误差（AOSE）。在案例2中，该处理流程在玉米、芝麻和烟草的未知杂草数据集上分别实现了17.80%、30.50%和13.10%的未知杂草召回率。这些研究成果显著提升了杂草检测的稳健性，也为模型在动态农业环境中的泛化能力带来了新的提升。