DOI: https://doi.org/10.1109/jstsp.2026.3654362
تاريخ النشر: 2026-01-15
المؤلف: Jiafei Zhang وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
في هذا القسم، يقدم المؤلفون DepthCropSeg++، وهو نموذج أساسي متقدم مصمم لتجزئة المحاصيل في بيئات زراعية متنوعة. يعالج هذا النموذج الحاجة الملحة لتجزئة المحاصيل بدقة، وهو أمر أساسي لمجموعة متنوعة من التطبيقات الزراعية مثل تحليل صفات النباتات، وتقدير الكثافة، ومكافحة الأعشاب الضارة. على عكس النماذج الحالية التي تعتمد على مجموعات بيانات محدودة بسبب التكاليف العالية لتوسيم مستوى البكسل، يستفيد DepthCropSeg++ من مجموعة بيانات كبيرة تضم 28,406 صورة عبر أكثر من 30 نوعًا من المحاصيل و15 حالة بيئية. يبني النموذج على بنية ViT-Adapter، وي incorporat upsampling الديناميكي لتعزيز الوعي بالتفاصيل ويستخدم خط أنابيب تدريب ذاتي من مرحلتين لتحسين الأداء.
تسلط النتائج التجريبية الضوء على فعالية DepthCropSeg++، حيث تحقق معدل تقاطع على الاتحاد (mIoU) يبلغ 93.11% على مجموعة اختبار شاملة. يتجاوز هذا الأداء كل من النماذج التقليدية الخاضعة للإشراف والنماذج العامة للرؤية، مثل نموذج تجزئة أي شيء (SAM)، بفروق كبيرة. تشير النتائج إلى أن DepthCropSeg++ لا يقلل فقط من تكاليف التوسيم ولكن أيضًا يعزز دقة التجزئة، مما يمهد الطريق للتقدم المستقبلي في إدراك الزراعة، بما في ذلك التطبيقات في تحليل الصفات ثلاثية الأبعاد ونشر الحواف.
مقدمة
ت outlines مقدمة ورقة البحث المفاهيم الأساسية والدوافع وراء الدراسة. تؤكد على أهمية الموضوع ضمن السياق الأوسع للمجال، مع تسليط الضوء على الفجوات الموجودة في المعرفة التي تهدف الأبحاث الحالية إلى معالجتها. يقدم المؤلفون مبررًا واضحًا لتحقيقاتهم، مؤكدين على الآثار المحتملة لنتائجهم على كل من التقدم النظري والتطبيقات العملية.
علاوة على ذلك، تضع المقدمة الأساس لأهداف البحث والفرضيات، موضحة المنهجيات المستخدمة لاستكشاف الأسئلة المركزية المطروحة. من خلال إنشاء خلفية شاملة، يهدف المؤلفون إلى جذب القارئ وتوفير إطار لفهم الأقسام التالية من الورقة. بشكل عام، يعمل هذا القسم كتمهيد حاسم للتحليل التفصيلي والنتائج التي تليه.
الطرق
في هذا القسم، ي outlines المؤلفون المنهجيات المستخدمة في دراستهم، بدءًا من وصف النموذج الأساسي المطبق في DepthCropSeg++. يوضحون الآلية التي يستمد بها DepthCropSeg الأقنعة الزائفة من معلومات العمق، وهو أمر حاسم لتعزيز دقة التجزئة. علاوة على ذلك، يشرح المؤلفون تعزيز مجموعة بيانات المحاصيل عبر السيناريوهات لتسهيل تحسين نتائج التدريب.
يختتم القسم بنظرة عامة على بروتوكولات واستراتيجيات التدريب المستخدمة لنموذج تجزئة المحاصيل الأساسي، DepthCropSeg++. تعتبر هذه المنهجيات حيوية لضمان أداء قوي للنموذج وقابليته للتكيف عبر سيناريوهات مختلفة في مهام تجزئة المحاصيل.
نقاش
في قسم النقاش من ورقة البحث، يؤكد المؤلفون على الدور الحاسم لتوصيف النباتات بدقة في فهم استجابات النباتات للتغيرات البيئية وتعزيز الإنتاجية الزراعية. يسلطون الضوء على تجزئة المحاصيل كعملية أساسية تدعم استخراج مختلف صفات النباتات من الصور، وهو أمر ضروري للاستشعار عن بعد الكمي وتطبيقات الرؤية الزراعية. على الرغم من التقدم في نماذج التجزئة المعتمدة على التعلم العميق، غالبًا ما تكافح الأساليب الحالية مع التعميم عبر أنواع المحاصيل المختلفة والظروف البيئية بسبب التعقيدات الكامنة في الصور الزراعية، مثل التباينات الشكلية، واختلافات مراحل النمو، والبيئات الحقلية الصعبة.
لمعالجة هذه التحديات، يقدم المؤلفون DepthCropSeg++، وهو نموذج أساسي معزز لتجزئة المحاصيل يستفيد من التوسيم الزائف المستند إلى العمق لتوسيع مجموعة بيانات التدريب بشكل كبير. يتضمن هذا النموذج استراتيجية تدريب من مرحلتين ومشغل upsampling الديناميكي الجديد، FADE، الذي يحسن اكتشاف الحدود ودقة التجزئة في المشاهد المعقدة. تظهر النتائج أن DepthCropSeg++ لا يتفوق فقط على النماذج التقليدية في المحاصيل المعروفة، ولكنه أيضًا يظهر قدرات تعميم قوية عبر أنواع جديدة وظروف حقلية متنوعة. تشمل مساهمات هذا العمل تطوير مجموعة بيانات كبيرة عبر الأنواع ودمج بنى نماذج متقدمة تعزز القابلية للتكيف والأداء في التطبيقات الزراعية.
DOI: https://doi.org/10.1109/jstsp.2026.3654362
Publication Date: 2026-01-15
Author(s): Jiafei Zhang et al.
Primary Topic: Smart Agriculture and AI
Overview
In this section, the authors introduce DepthCropSeg++, an advanced foundation model designed for crop segmentation in diverse agricultural environments. This model addresses the critical need for accurate crop segmentation, which is essential for various agricultural applications such as plant phenotyping, density estimation, and weed control. Unlike existing models that rely on limited datasets due to the high costs of pixel-level labeling, DepthCropSeg++ leverages a large-scale dataset comprising 28,406 images across over 30 crop species and 15 environmental conditions. The model builds on the ViT-Adapter architecture, incorporating dynamic upsampling to enhance detail awareness and employing a two-stage self-training pipeline to improve performance.
The experimental results highlight DepthCropSeg++’s effectiveness, achieving a mean Intersection over Union (mIoU) of 93.11% on a comprehensive testing set. This performance surpasses both traditional supervised models and general-purpose vision models, such as the Segmentation Anything Model (SAM), by significant margins. The findings suggest that DepthCropSeg++ not only reduces annotation costs but also enhances segmentation accuracy, paving the way for future advancements in agricultural perception, including applications in 3D phenotyping and edge deployment.
Introduction
The introduction of the research paper outlines the foundational concepts and motivations behind the study. It emphasizes the significance of the topic within the broader context of the field, highlighting existing gaps in knowledge that the current research aims to address. The authors present a clear rationale for their investigation, underscoring the potential implications of their findings for both theoretical advancements and practical applications.
Furthermore, the introduction sets the stage for the research objectives and hypotheses, detailing the methodologies employed to explore the central questions posed. By establishing a comprehensive background, the authors aim to engage the reader and provide a framework for understanding the subsequent sections of the paper. Overall, this section serves as a critical precursor to the detailed analysis and results that follow.
Methods
In this section, the authors outline the methodologies utilized in their study, beginning with a description of the baseline model implemented in DepthCropSeg++. They detail the mechanism by which DepthCropSeg derives pseudo masks from depth information, which is critical for enhancing segmentation accuracy. Furthermore, the authors explain the augmentation of the cross-scenario crop dataset to facilitate improved training outcomes.
The section concludes with an overview of the training protocols and strategies employed for the foundational crop segmentation model, DepthCropSeg++. These methodologies are pivotal for ensuring robust model performance and adaptability across varying scenarios in crop segmentation tasks.
Discussion
In the discussion section of the research paper, the authors emphasize the critical role of accurate plant phenotyping in understanding plant responses to environmental changes and enhancing agricultural productivity. They highlight crop segmentation as a foundational task that underpins the extraction of various plant traits from images, which is essential for quantitative remote sensing and agricultural vision applications. Despite advancements in deep learning-based segmentation models, existing approaches often struggle with generalization across different crop varieties and environmental conditions due to the inherent complexities of agricultural imagery, such as morphological variations, growth stage differences, and challenging field environments.
To address these challenges, the authors introduce DepthCropSeg++, an enhanced foundation model for crop segmentation that leverages depth-informed pseudo-labeling to expand the training dataset significantly. This model incorporates a two-stage training strategy and a novel dynamic upsampling operator, FADE, which improves boundary detection and segmentation accuracy in complex scenes. The results demonstrate that DepthCropSeg++ not only outperforms traditional models on known crops but also exhibits robust generalization capabilities across novel varieties and diverse field conditions. The contributions of this work include the development of a large-scale, cross-species dataset and the integration of advanced model architectures that enhance adaptability and performance in agricultural applications.