Contrastive Self-Supervised Pretraining for Artificial Intelligence Agriculture Weed Detection Under Label Scarcity: A Computer Transfer-Robustness Evaluation
提出对比自监督预训练在杂草检测跨域迁移中何时有效的理论框架与评估协议。
← 主题
#杂草检测
量子机器学习与经典方法在作物/杂草检测中的比较
比较CNN（经典基线）、量子支持向量分类器与变分量子分类器（VQC）在航拍田间作物-杂草区分任务中的表现。CNN测试峰值准确率约94%，QML为85%-89%；CNN推理速度约10ms/图像，量子模型为数百毫秒；QML模型可训练参数仅数十到上百个，远低于CNN的百万级。结论：经典深度学习仍是当前最可靠方案，QML随硬件/算法进步有望加速追赶。
[预印本]自主农业拖拉机:面向精准稻作的集成杂草检测与LiDAR导航系统(原标题:Autonomous Agricultural Tractor: Integrated Weed Detection and LiDAR Navigation for Precision Paddy Farming)
稻田定点杂草管理相比传统广域喷药可大幅减少除草剂用量,但现场部署受三大挑战制约:冠层下GNSS退化的稳健作物行导航、稻与形态多样化杂草的实时视觉区分、将稻误识为杂草的不可逆错误代价。本研究提出AgriNav,围绕四个ROS耦合模块构建集成自主拖拉机系统:用于稻检测的WeedDet PyTorch重实现、并行轻量级168万参数CNN-FPN变体(带非对称类加权)、通过硬编码置信门否决保护稻类的逆逻辑判别模块,以及融合GNSS/IMU/轮式里程计的6状态恒定速度转向率扩展卡尔曼滤波。主要系统级贡献是LiDAR-相机融合桥,利用导航LiDAR做ROI约束、世界坐标投影、地面平面滤波和双向置信融合,无额外硬件成本。