Трансформерная нейронная сеть для классификации сорных и сельскохозяйственных растений на изображениях высокого разрешения, полученных с БПЛА

Мониторинг сельскохозяйственных культур и сорных растений сегодня является одной из основных задач сельского хозяйства и производства продуктов питания. Сорняки непосредственно конкурируют с культурными растениями за влагу, питательные вещества и солнечный свет. Поэтому при недостаточном контроле они могут значительно снижать урожайность сельскохозяйственных культур. Обнаружение и картографирование сорных растений являются важными этапами борьбы с ними. Многие существующие исследования отмечают важность систем дистанционного зондирования и алгоритмов машинного обучения для управления сорной растительностью. Подходы глубокого обучения продемонстрировали высокую эффективность во многих задачах дистанционного зондирования, связанных с сельским хозяйством, включая классификацию растений и выявление заболеваний. Однако, несмотря на успешное применение, эти подходы по-прежнему сталкиваются с такими проблемами, как высокие вычислительные затраты, необходимость использования больших размеченных наборов данных и внутриклассовое различение, поскольку сорные и культурные растения на стадии роста имеют много общих признаков, включая цвет, текстуру и форму. Цель данной работы — показать, что глубокие сети на основе механизма внимания являются перспективным подходом к решению этих проблем при распознавании сорных и культурных растений с использованием беспилотных летательных аппаратов. Конкретная цель исследования заключалась в изучении визуальных трансформеров (ViT) и их применении для классификации растений на изображениях, полученных с беспилотных летательных аппаратов (БПЛА). Данные собирали с помощью камеры высокого разрешения, установленной на БПЛА, который использовали над полями свеклы, петрушки и шпината. Для формирования более крупного набора данных полученные данные были дополнительно аугментированы. Поскольку для достижения более высокой эффективности ViT требуются большие выборки, также применяли стратегию трансферного обучения. Были проведены эксперименты для оценки влияния размера обучающей и валидационной выборок, а также влияния увеличения размера тестовой выборки при одновременном уменьшении размера обучающей выборки. Результаты показывают, что при небольшом размеченном обучающем наборе модели ViT превосходят современные модели, такие как EfficientNet и ResNet. Полученные результаты являются многообещающими и демонстрируют потенциал применения ViT в широком спектре задач анализа изображений дистанционного зондирования.