Agricultural image and vision computing are significantly different from other object classification-based methods because two base classes in agriculture, crops and weeds, have many common traits. Efficient crop, weeds, and soil classification are required to perform autonomous (spraying, harvesting, etc.) activities in agricultural fields. In a three-class (crop–weed–background) agricultural classification scenario, it is usually easier to accurately classify the background class than the crop and weed classes because the background class appears significantly different feature-wise than the crop and weed classes. However, robustly distinguishing between the crop and weed classes is challenging because their appearance features generally look very similar. To address this problem, we propose a framework based on a convolutional W-shaped network with two encoder–decoder structures of different sizes. The first encoder–decoder structure differentiates between background and vegetation (crop and weed), and the second encoder–decoder structure learns discriminating features to classify crop and weed classes efficiently. The proposed W network is generalizable for different crop types. The effectiveness of the proposed network is demonstrated on two crop datasets—a tobacco dataset and a sesame dataset, both collected in this study and made available publicly online for use by the community—by evaluating and comparing the performance with existing related methods. The proposed method consistently outperforms existing related methods on both datasets.

农业图像和视觉计算与其他基于对象分类的方法显着不同，因为农业中的两个基类（农作物和杂草）具有许多共同特征。在农田中进行自主（喷洒、收割等）活动需要高效的作物、杂草和土壤分类。在三类（作物-杂草-背景）农业分类场景中，通常比作物和杂草类更容易准确地对背景类进行分类，因为背景类在特征方面与作物和杂草类显着不同。然而，严格区分作物和杂草类别具有挑战性，因为它们的外观特征通常看起来非常相似。为了解决这个问题，我们提出了一个基于卷积 W 形网络的框架，该网络具有两个不同大小的编码器-解码器结构。第一个编码器-解码器结构区分背景和植被（作物和杂草），第二个编码器-解码器结构学习区分特征以有效地对作物和杂草类别进行分类。所提出的 W 网络可推广到不同的作物类型。通过评估和比较现有相关方法的性能，所提出的网络的有效性在两个作物数据集（烟草数据集和芝麻数据集）上得到了证明，这两个数据集都是在本研究中收集的，并在网上公开供社区使用。所提出的方法在两个数据集上始终优于现有的相关方法。第一个编码器-解码器结构区分背景和植被（作物和杂草），第二个编码器-解码器结构学习区分特征以有效地对作物和杂草类别进行分类。所提出的 W 网络可推广到不同的作物类型。通过评估和比较现有相关方法的性能，所提出的网络的有效性在两个作物数据集（烟草数据集和芝麻数据集）上得到了证明，这两个数据集都是在本研究中收集的，并在网上公开供社区使用。所提出的方法在两个数据集上始终优于现有的相关方法。第一个编码器-解码器结构区分背景和植被（作物和杂草），第二个编码器-解码器结构学习区分特征以有效地对作物和杂草类别进行分类。所提出的 W 网络可推广到不同的作物类型。通过评估和比较现有相关方法的性能，所提出的网络的有效性在两个作物数据集（烟草数据集和芝麻数据集）上得到了证明，这两个数据集都是在本研究中收集的，并在网上公开供社区使用。所提出的方法在两个数据集上始终优于现有的相关方法。所提出的 W 网络可推广到不同的作物类型。通过评估和比较现有相关方法的性能，所提出的网络的有效性在两个作物数据集（烟草数据集和芝麻数据集）上得到了证明，这两个数据集都是在本研究中收集的，并在网上公开供社区使用。所提出的方法在两个数据集上始终优于现有的相关方法。所提出的 W 网络可推广到不同的作物类型。通过评估和比较现有相关方法的性能，所提出的网络的有效性在两个作物数据集（烟草数据集和芝麻数据集）上得到了证明，这两个数据集都是在本研究中收集的，并在网上公开供社区使用。所提出的方法在两个数据集上始终优于现有的相关方法。