[论文解读] Towards practical object detection for weed spraying in precision agriculture

Adrian Salazar-Gomez, Madeleine Darbyshire+3 more|arXiv (Cornell University)|Sep 22, 2021

Smart Agriculture and AI被引用 12

一句话总结

本论文提出了一套实用的框架，用于精准农业除草喷洒中的目标检测，通过引入三种新指标——杂草覆盖率（WCR）、喷洒面积和推理速度——来评估传统mAP之外的实际可行性。基于真实农田数据使用YOLOv5m和Faster R-CNN模型，结果表明：mAP较低的模型在实际喷洒效率方面表现更优，其中Faster R-CNN在仅喷洒17.08%面积的情况下实现了85.78%的WCR，显著减少了除草剂使用量。

ABSTRACT

The evolution of smaller, faster processors and cheaper digital storage mechanisms across the last 4-5 decades has vastly increased the opportunity to integrate intelligent technologies in a wide range of practical environments to address a broad spectrum of tasks. One exciting application domain for such technologies is precision agriculture, where the ability to integrate on-board machine vision with data-driven actuation means that farmers can make decisions about crop care and harvesting at the level of the individual plant rather than the whole field. This makes sense both economically and environmentally. However, the key driver for this capability is fast and robust machine vision -- typically driven by machine learning (ML) solutions and dependent on accurate modelling. One critical challenge is that the bulk of ML-based vision research considers only metrics that evaluate the accuracy of object detection and do not assess practical factors. This paper introduces three metrics that highlight different aspects relevant for real-world deployment of precision weeding and demonstrates their utility through experimental results.

研究动机与目标

• 为解决在标准准确率指标之外评估机器学习模型在精准农业除草喷洒中表现的空白。
• 提出并验证三种新的实用指标——杂草覆盖率（WCR）、喷洒面积和推理速度——以评估目标检测模型在真实场景中的可行性。
• 证明mAP较低的模型在减少除草剂使用和提升处理速度方面可实现更优的实际性能，从而支持实时喷洒。
• 提供一个决策框架，用于根据检测准确率、除草剂效率和计算成本之间的权衡选择最优模型。

提出的方法

• 作者开发了一套系统，采用安装在拖拉机上的喷洒装置，配备5个摄像头和喷嘴，在田间作业时实时采集图像。
• 在两个数据集（BB：阔叶杂草；LB：低可见度杂草）上应用了最先进的目标检测模型——包括YOLOv5m、YOLOv3、Faster R-CNN和SSD。
• 杂草覆盖率（WCR）计算为：基于预测边界框和喷嘴分辨率，可被喷洒装置覆盖的杂草所占百分比。
• 喷洒面积指标通过计算喷洒区域总覆盖面积得出，假设喷洒模式为矩形且与检测到的杂草重叠。
• 推理速度在单张GPU上以每秒帧数（FPS）为单位测量，以评估实时处理的可行性。
• 模型在不同小批量大小（1至44）下进行评估，以模拟多摄像头处理，并评估在有限车载硬件上的可扩展性。

实验结果

研究问题

• RQ1 在评估精准除草喷洒的目标检测模型时，传统基于mAP的指标与WCR和喷洒面积等实用指标相比如何？
• RQ2 哪种目标检测模型在真实田间条件下实现了杂草覆盖率（WCR）与除草剂效率（喷洒面积）的最佳平衡？
• RQ3 模型准确率（mAP）与推理速度之间的权衡是什么？这对农业车辆中嵌入式系统上的实时部署有何影响？
• RQ4 增加小批量大小如何影响帧率，以及对实时处理多路摄像头画面的可行性有何影响？
• RQ5 非连续图像帧和简化的喷洒几何假设在多大程度上限制了WCR和喷洒面积估算的准确性？

主要发现

• Faster R-CNN（ResNet-50-FPN）在BB数据集上实现了85.78%的WCR，同时仅喷洒17.08%的面积，尽管mAP较低，但在除草剂效率方面显著优于YOLOv5m。
• 在LB数据集上，SSD实现了96.94%的WCR，仅喷洒35.36%的面积，展现出覆盖率与浪费之间的显著权衡，尽管WCR略低，仍优于YOLOv5m（喷洒面积为68.6%）。
• YOLOv3在批量大小为1时达到最快的推理速度（75.18 FPS），适用于实时处理，尽管其检测准确率低于YOLOv5m。
• 当批量大小为44时，YOLOv5m在单张GPU上可实现277–333 FPS，表明3–4张GPU可使15英里/小时速度下的实时喷洒成为可能，但仍低于所需的968–1027 FPS。
• 在BB数据集上，最高WCR为88.2%（YOLOv5m，3个喷嘴），但代价是喷洒了33.03%的面积，表明存在较高浪费。
• 研究发现，mAP最高的模型（如YOLOv5m）并不一定在实际应用中表现最佳，因为WCR和喷洒面积揭示了更符合真实部署需求的权衡关系。