Comparative Evaluation of Convolutional and Transformer-Based Detectors for Automated Weed Detection in Precision Agriculture

Résumé technique : Évaluation comparative des détecteurs basés sur les réseaux de neurones convolutifs et les transformateurs pour la détection automatisée des adventices

Énoncé du problème
L'article aborde le défi critique de la détection précoce des adventices en agriculture de précision, une tâche compliquée par la forte similarité morphologique entre les cultures et les adventices, une variabilité intra-classe significative et des conditions environnementales non structurées (par exemple, éclairage variable, textures du sol et occlusions). Bien que l'apprentissage profond ait fait progresser la vision par ordinateur agricole, les solutions existantes peinent souvent à assurer une robustesse dans des scénarios réels. Plus précisément, il manque de comparaisons systématiques et équitables entre les architectures de réseaux de neurones convolutifs (CNN) et les modèles basés sur les transformateurs au sein d'un cadre expérimental unifié utilisant des ensembles de données réalistes et haute résolution. L'étude vise à déterminer si les capacités de modélisation contextuelle globale des transformateurs offrent un avantage tangible par rapport à l'efficacité computationnelle des CNN pour la discrimination fine entre cultures et adventices.

Méthodologie
Les auteurs ont mené une évaluation comparative complète en utilisant l'ensemble de données GROUND-BASED_WEED, une référence publique collectée dans des champs de tomates commerciaux en Espagne. L'ensemble de données est composé d'images RVB haute résolution (5184 × 3888 pixels) capturées sous un angle de vue aérien, présentant sept classes annotées (une culture et six espèces d'adventices, plus une classe ambiguë) et reflétant des défis réels tels que le déséquilibre des classes et le bruit dans les étiquettes.

La conception expérimentale a comparé trois architectures représentatives de détection d'objets :

1. Basée sur CNN : YOLOv26-nano, sélectionnée pour sa conception légère et son adéquation aux systèmes embarqués.
2. Basée sur transformateur : RT-DETR (variantes Moyenne et Grande) et RF-DETR, choisies pour leur capacité à capturer le contexte global via des mécanismes d'attention automatique.

Tous les modèles ont été entraînés selon un protocole standardisé (200 époques, optimiseur AdamW, taille de lot 4) sur un GPU NVIDIA RTX 2080 Super. Pour analyser le compromis entre précision et efficacité, les expériences ont été menées à trois résolutions d'entrée : 640, 1080 et 2160 pixels. La performance a été évaluée à l'aide des métriques COCO standard (Précision, Rappel, mAP@50, mAP@50–95) et des métriques d'efficacité d'inférence (latence et FPS).

Résultats clés
L'évaluation a révélé un compromis clair entre l'efficacité computationnelle et la modélisation contextuelle :

• Performance : YOLOv26-nano et RT-DETR ont atteint des performances comparables en termes de Précision, Rappel et mAP@50, en particulier à des résolutions plus élevées. Bien que RT-DETR ait montré des améliorations marginales en mAP@50 à 2160 pixels, ces gains n'étaient pas statistiquement significatifs par rapport à l'approche basée sur CNN. RF-DETR a systématiquement sous-performé sur toutes les métriques.
• Impact de la résolution : L'augmentation de la résolution d'entrée de 640 à 2160 pixels n'a produit que des améliorations négligeables de la précision de détection. Les auteurs attribuent cela à la nature intrinsèque de l'ensemble de données, où les objets cibles (adventices à un stade précoce) occupent une très petite fraction de l'image, ce qui signifie qu'une résolution plus élevée ne fournit pas nécessairement des caractéristiques plus discriminantes.
• Efficacité : YOLOv26-nano a démontré des coûts computationnels nettement inférieurs et des temps d'inférence plus rapides par rapport aux modèles basés sur les transformateurs. Les modèles transformateurs nécessitaient une allocation mémoire plus élevée et présentaient des temps d'inférence plus longs, posant des défis pour le déploiement en temps réel sur des plateformes embarquées aux ressources limitées.

Contributions clés

• Comparaison systématique : L'étude fournit une évaluation rigoureuse, côte à côte, des détecteurs CNN et transformateurs les plus avancés dans des conditions identiques, comblant un vide dans la littérature concernant les comparaisons équitables dans les contextes agricoles.
• Évaluation sur le terrain réel : Contrairement à de nombreuses études s'appuyant sur des environnements contrôlés, ce travail utilise un ensemble de données haute résolution provenant de champs réels, comportant un bruit inhérent et un déséquilibre des classes, offrant une évaluation plus réaliste de la robustesse des modèles.
• Analyse de la résolution : L'article examine les rendements décroissants de l'augmentation de la résolution d'entrée pour la détection de petits objets en agriculture, suggérant que l'efficacité architecturale peut être plus critique que la résolution brute pour cette tâche spécifique.

Signification et affirmations
L'article conclut que pour la détection précoce des adventices en agriculture de précision, l'optimisation hiérarchique des CNN (spécifiquement YOLOv26-nano) offre une approche plus robuste et viable que les architectures basées sur les transformateurs. Bien que les transformateurs excellent dans la modélisation du contexte global, cette capacité ne se traduit pas par un avantage de performance substantiel pour la tâche spécifique de détection d'objets petits et dispersés dans les champs agricoles.

Les auteurs affirment que YOLOv26-nano offre le meilleur équilibre entre précision et efficacité computationnelle, ce qui en fait le candidat privilégié pour l'intégration dans des systèmes robotiques embarqués opérant dans des conditions de champ réelles. L'étude souligne que pour cette application, l'efficacité des CNN à une seule étape l'emporte sur les avantages théoriques des mécanismes d'attention globale, en particulier lorsque le déploiement sur des appareils de périphérie est une priorité. Les travaux futurs suggérés par les auteurs incluent l'exploration de la segmentation d'instances pour une meilleure délimitation des morphologies irrégulières des adventices et l'utilisation d'augmentation de données synthétiques (par exemple, GAN ou modèles de diffusion) pour remédier au déséquilibre de l'ensemble de données.