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

Resumo Técnico: Avaliação Comparativa de Detectores Baseados em Convolução e Transformer para Detecção Automatizada de Plantas Daninhas

Enunciado do Problema
O artigo aborda o desafio crítico da detecção de plantas daninhas em estágios iniciais na agricultura de precisão, uma tarefa complicada pela alta similaridade morfológica entre culturas e plantas daninhas, pela significativa variabilidade intraclasse e por condições ambientais não estruturadas (por exemplo, iluminação variável, texturas do solo e oclusões). Embora a aprendizagem profunda tenha avançado a visão computacional agrícola, as soluções existentes frequentemente lutam com robustez em cenários do mundo real. Especificamente, há uma falta de comparações sistemáticas e justas entre arquiteturas de Redes Neurais Convolucionais (CNN) e modelos baseados em Transformer dentro de um quadro experimental unificado, utilizando conjuntos de dados realistas e de alta resolução. O estudo visa determinar se as capacidades de modelagem de contexto global dos Transformers oferecem uma vantagem tangível sobre a eficiência computacional das CNNs para a discriminação fina entre culturas e plantas daninhas.

Metodologia
Os autores conduziram uma avaliação comparativa abrangente utilizando o conjunto de dados GROUND-BASED_WEED, um benchmark público coletado em campos comerciais de tomate na Espanha. O conjunto de dados consiste em imagens RGB de alta resolução (5184 × 3888 pixels) capturadas de uma perspectiva de vista de pássaro, apresentando sete classes anotadas (uma cultura e seis espécies de plantas daninhas, mais uma classe ambígua) e refletindo desafios do mundo real, como desequilíbrio de classes e ruído de rótulos.

O desenho experimental comparou três arquiteturas representativas de detecção de objetos:

1. Baseada em CNN: YOLOv26-nano, selecionada por seu design leve e adequação para sistemas embarcados.
2. Baseada em Transformer: RT-DETR (variantes Média e Grande) e RF-DETR, escolhidas por sua capacidade de capturar contexto global por meio de mecanismos de atenção automática.

Todos os modelos foram treinados sob um protocolo padronizado (200 épocas, otimizador AdamW, tamanho de lote 4) em uma GPU NVIDIA RTX 2080 Super. Para analisar o compromisso entre precisão e eficiência, os experimentos foram conduzidos em três resoluções de entrada: 640, 1080 e 2160 pixels. O desempenho foi avaliado usando métricas padrão do COCO (Precisão, Revocação, mAP@50, mAP@50–95) e métricas de eficiência de inferência (latência e FPS).

Principais Resultados
A avaliação revelou um claro compromisso entre eficiência computacional e modelagem de contexto:

• Desempenho: O YOLOv26-nano e o RT-DETR alcançaram desempenho comparável em termos de Precisão, Revocação e mAP@50, particularmente em resoluções mais altas. Embora o RT-DETR tenha mostrado melhorias marginais no mAP@50 em 2160 pixels, esses ganhos não foram estatisticamente significativos em comparação com a abordagem baseada em CNN. O RF-DETR performou consistentemente abaixo em todas as métricas.
• Impacto da Resolução: O aumento da resolução de entrada de 640 para 2160 pixels produziu apenas melhorias negligenciáveis na precisão de detecção. Os autores atribuem isso à natureza intrínseca do conjunto de dados, onde os objetos-alvo (plantas daninhas em estágios iniciais) ocupam uma fração muito pequena da imagem, significando que maior resolução não fornece necessariamente características mais discriminativas.
• Eficiência: O YOLOv26-nano demonstrou custos computacionais significativamente menores e tempos de inferência mais rápidos em comparação com os modelos baseados em Transformer. Os modelos Transformer exigiram alocação de memória mais elevada e exibiram tempos de inferência mais longos, apresentando desafios para implantação em tempo real em plataformas embarcadas com recursos limitados.

Principais Contribuições

• Comparação Sistemática: O estudo fornece uma avaliação rigorosa, lado a lado, de detectores CNN e Transformer de última geração sob condições idênticas, abordando uma lacuna na literatura sobre comparações justas em contextos agrícolas.
• Benchmarking do Mundo Real: Ao contrário de muitos estudos que dependem de ambientes controlados, este trabalho utiliza um conjunto de dados de campo real de alta resolução com ruído inerente e desequilíbrio de classes, oferecendo uma avaliação mais realista da robustez do modelo.
• Análise de Resolução: O artigo investiga os retornos decrescentes do aumento da resolução de entrada para detecção de pequenos objetos na agricultura, sugerindo que a eficiência arquitetônica pode ser mais crítica do que a resolução bruta para esta tarefa específica.

Significado e Alegações
O artigo conclui que, para a detecção de plantas daninhas em estágios iniciais na agricultura de precisão, a otimização hierárquica de CNN (especificamente o YOLOv26-nano) oferece uma abordagem mais robusta e viável do que arquiteturas baseadas em Transformer. Embora os Transformers se destaquem na modelagem de contexto global, essa capacidade não se traduz em uma vantagem substancial de desempenho para a tarefa específica de detectar objetos pequenos e dispersos em campos agrícolas.

Os autores afirmam que o YOLOv26-nano fornece o equilíbrio mais favorável entre precisão e eficiência computacional, tornando-o o candidato preferido para integração em sistemas robóticos embarcados operando sob condições de campo do mundo real. O estudo enfatiza que, para esta aplicação, a eficiência das CNNs de estágio único supera os benefícios teóricos dos mecanismos de atenção global, particularmente quando a implantação em dispositivos de borda é uma prioridade. Trabalhos futuros sugeridos pelos autores incluem a exploração de segmentação de instâncias para melhor delimitação de morfologias irregulares de plantas daninhas e o uso de aumento de dados sintéticos (por exemplo, GANs ou modelos de difusão) para abordar o desequilíbrio do conjunto de dados.