Enhanced Image Annotation in Wild Blueberry (Vaccinium angustifolium Ait.) Fields Using Sequential Zero-Shot Detection and Segmentation Models
Notice bibliographique
Résumé
This research addresses the critical need for efficient image annotation in precision agriculture, using the wild blueberry (Vaccinium angustifolium Ait.) cropping system as a representative application to enable data-driven crop management. Tasks such as automated berry ripeness detection, plant disease identification, plant growth stage monitoring, and weed detection rely on extensive annotated datasets. However, manual annotation is labor-intensive, time-consuming, and impractical for large-scale agricultural systems. To address this challenge, this study evaluates an automated annotation pipeline that integrates zero-shot detection models from two frameworks (Grounding DINO and YOLO-World) with the Segment Anything Model version 2 (SAM2). The models were tested on detecting and segmenting ripe wild blueberries, developmental wild blueberry buds, hair fescue (Festuca filiformis Pourr.), and red leaf disease (Exobasidium vaccinii). Grounding DINO consistently outperformed YOLO-World, with its Swin-T achieving mean Intersection over Union (mIoU) scores of 0.694 ± 0.175 for fescue grass and 0.905 ± 0.114 for red leaf disease when paired with SAM2-Large. For ripe wild blueberry detection, Swin-B with SAM2-Small achieved the highest performance (mIoU of 0.738 ± 0.189). Whereas for wild blueberry buds, Swin-B with SAM2-Large yielded the highest performance (0.751 ± 0.154). Processing times were also evaluated, with SAM2-Tiny, Small, and Base demonstrating the shortest durations when paired with Swin-T (0.30–0.33 s) and Swin-B (0.35–0.38 s). SAM2-Large, despite higher segmentation accuracy, had significantly longer processing times (significance level α = 0.05), making it less practical for real-time applications. This research offers a scalable solution for rapid, accurate annotation of agricultural images, improving targeted crop management. Future research should optimize these models for different cropping systems, such as orchard-based agriculture, row crops, and greenhouse farming, and expand their application to diverse crops to validate their generalizability.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».