PIPNet EA for Robust and Explainable Crop Weed Classification Using Enhanced Prototype Evidence Aggregation

方法

基于原型网络与top-κ空间证据聚合，在7种图像损坏3个严重度下评测5种模型。

发现

PIPNet-R50鲁棒性最强，严重损坏下仍保留67.5%干净精度，激活图聚焦叶片结构。

机会点

可将原型证据聚合扩展到多作物多杂草真实田间退化场景，并结合轻量化部署与不确定性估计。

深度学习模型在干净的作物–杂草图像上可以达到较高准确率，但当田间图像受到噪声、模糊、光照不良、运动或压缩影响时，其性能往往会下降。本研究提出PIPNet-EA，这是一种增强的基于原型（prototype）的可解释预测框架，将top-κ空间证据聚合与置信度加权原型推理相结合。研究在两种作物–杂草图像数据集上评估了五种深度学习架构——ResNet50、ResNet101、ViT-B/16、PIPNet-R50和PIPNet-R101，测试条件涵盖七种常见图像损坏类型及轻度、中度、重度三个严重程度。评估共产生210个模型–损坏–严重程度准确率测量值，并采用准确率保持率（accuracy retention rate, ARR）量化退化条件下所保留的干净图像性能比例。PIPNet-R50表现出最强的整体鲁棒性。在具有挑战性的田间数据集上，其在轻度、中度和重度损坏下的平均准确率分别为0.641、0.568和0.437，而ResNet50分别为0.594、0.525和0.391。PIPNet-R50在三个严重程度上分别保留了其干净性能的98.9%、87.7%和67.5%，超过ResNet50的相应保持率。即使在中度退化条件下，原型激活图仍聚焦于有意义的植物结构，包括叶尖、中脉和叶柄区域。通过整合来自多个空间位置的证据而非依赖单一主导激活，PIPNet-EA降低了局部图像损坏的影响，同时保持预测的可解释性。这些发现支持将基于原型的证据聚合作为开发面向精准农业的鲁棒且可解释作物–杂草分类系统的一种实用方法。