DeepVeg: Deep Learning Model for Segmentation of Weed, Canola, and Canola Flea Beetle Damage
Notice bibliographique
Résumé
Farmers around the world face the challenge of growing more food for the increasing world population. On top of that, external threats such as pests (weeds and insects) pose a threat to crop production and it is necessary to take early steps to reduce the risk. This paper presents semantic segmentation of canola field images collected under natural conditions. The dataset contains four unbalanced classes; background, crop, weeds, and damages in the crop. The damages to the crop leaves are small round shaped and share the same texture and colour as whitish stones from the background. We propose, DeepVeg, a deep learning segmentation model that focuses on the smallest (damage) class without affecting other classes to solve the class imbalance issue. Early stage canola field image dataset is utilized for training and testing the proposed model. Evaluation results show that the proposed method outperforms the benchmark deep learning models and effectively addresses the weed and damaged canola plants segmentation problem. The DeepVeg model demonstrates a superior mean intersection over union score greater than 0.76 and$accuracy$above 0.97 for four class segmentation. The model also shows robustness in detecting unlabelled, newly grown weeds and canola and is also able to distinguish the similar rounded structured canola plant and weed with small amounts of data for model training, which is suitable for early stage damage and weed segmentation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».