在现代水果行业不断发展的格局中,基于深度学习的水果检测应用程序已成为不可或缺的一部分,促进了水果产量预测和自动采摘等任务。尽管取得了进步,但训练数据标记的劳动密集型过程仍然是一个瓶颈。之前的研究引入了 EasyDAM 方法,利用生成对抗网络来弥合标记的源域数据集和未标记的目标域图像之间的差距,在自动标记方面取得了显着的成功。然而,由于合成训练数据和现实世界应用数据之间存在显着的“域差距”,特别是在前景对象尺度和背景不一致方面,挑战仍然存在。
2024年1月,Plant Phenomics 发表了题为“ DomAda-FruitDet: Domain-Adaptive Anchor-Free FruitDetection Model for Auto Labeling ”的研究文章。本研究旨在完善检测模型设计以缩小领域差距,增强深度学习模型的泛化能力,从而在智能果园中实现更准确、更高效的水果检测。
研究人员开发了DomAda-FruitDet,这是一种域自适应无锚水果检测模型,集成了基于双预测层的前景域自适应结构,用于生成自适应边界框,有效地弥合了前景域间隙,并采用了背景域自适应策略样本分配以缩小背景域差距。在苹果、番茄、火龙果和芒果等各种水果数据集上进行测试,DomAda-FruitDet 的平均精度得分分别达到了 90.9%、90.8%、88.3% 和 94.0%,这意味着自动标记精度有了显着提高。该模型的功效通过利用 EasyDAMv1 和 EasyDAMv2 的数据集(包含合成和实际水果图像)进行大量实验得到了进一步验证。结果证明,即使面临显着的领域差异,它也能够自适应地生成高质量标签。
综上所述,DomAda-FruitDet的创新方法不仅大大减少了水果行业数据标注所需的人力和时间,而且为更准确、更高效地部署智能果园技术铺平了道路。通过克服领域差距的复杂挑战,该模型展示了增强深度学习模型在农业及其他领域的泛化性和适用性的前景,标志着向更加智能和自主的农业实践的飞跃。