果园深度水果检测
本文介绍了一种用于水果检测和计数的图像处理框架,使用单眼视觉系统所获得的高分辨率图像数据,包括多尺度多层感知器和卷积神经网络,结合元数据进行分割和检测,并在商业苹果园中进行了实验,得出了最佳性能。
Oct, 2016
本文介绍了一个新颖的高质量水果图像数据集,并通过一些数字实验结果展示了训练神经网络以检测水果的成果。同时,我们提出了几种可能需要应用这类神经网络的场景,并探讨了为什么选择使用水果作为本项目的研究对象。
Dec, 2017
自主空中收获是一个高度复杂的问题,因为它需要在小型低功耗计算设备上执行许多交叉学科算法。本文提出了一种基于新型潜在对象表示 (LOR) 模块、查询分配和预测策略的资源高效、单阶段且无后处理的快速水果检测器 (FFD),实现了与控制、抓取、SLAM 等时间关键子系统同时存在的 10W 技嘉 Jetson-NX 嵌入式设备上的 100FPS@FP32 精度,是本工作的一个重大成就。此外,本文还提出了一种在无需详尽手动标记水果图像的情况下生成大量训练数据的方法,因为这些图像包含大量的实例,从而增加了标记成本和时间;同时还创建了开源水果检测数据集,其中有许多很难检测到的非常小的实例。对我们的数据集和 MinneApple 数据集进行的详尽评估表明,FFD 作为一个单尺度检测器比许多代表性检测器更准确,例如,与单尺度 Faster-RCNN 相比,FFD 的 AP 提高了 10.7,与多尺度 Faster-RCNN 相比提高了 2.3,与最新的单尺度 YOLO-v8 相比提高了 8,与多尺度 YOLO-v8 相比提高了 0.3,同时运行速度显著更快。
Feb, 2024
使用 CNN 技术结合计算机视觉方法对葡萄园中的葡萄簇进行检测、分割和跟踪,为农业和环境应用的传感组件的开发提供了一种可复制的检测,培训,评估和跟踪农业模式的图像的方法。
Jul, 2019
利用基于近红外成像、计算机视觉和机器学习的自动系统,这篇论文提出了一种用于柑橘作物预测的非侵入性替代方案,该系统通过视频计数水果,并结合其他树木数据(如作物品种和树木大小)估计水果的总数。通过对视频中至少 30% 的水果进行准确检测、跟踪和计数,可以实现令人印象深刻的 0.85 的决定系数。该研究是少数几个以手动水果计数为评估参考点的柑橘估算方法尝试之一,并提供了用于图像水果计数的注释数据集以促进新方法的发展。
Dec, 2023
通过使用 YOLOv5 模型和多样的苹果树图像数据集,我们提出了一种新颖的苹果检测和位置估计方法,实现了在复杂果园环境中准确识别苹果并提供精确位置信息的鲁棒系统,其具有约 85% 的苹果检测准确率,这在农业机器人领域取得了重要进展,为更高效、可持续的水果采摘实践奠定了基础。
May, 2024
通过使用深度学习中的 YOLOv3 模型,可以自动计算并分析产出树果,像甜樱桃的数量、大小和颜色等相关因素,该模型的准确度高达 99%。
Feb, 2023
该研究提出了一种新的框架,将两种不同的卷积神经网络结构相结合,以在模拟环境中同时完成作物检测和收获(机器人操控)任务。利用机器视觉实现作物自动识别,提高收获效率,但仍面临挑战。通过随机旋转、裁剪、亮度和对比度调整来生成增强图像以进行数据集生成。使用一次性算法框架进行作物定位,以及使用视觉几何组模型来确定机器人操控的抓取位置。
Jan, 2024
通过对水果的视觉特征进行分析和分类,可以使用各种方法来识别水果,包括手动检查、传统的计算机视觉方法以及使用机器学习和深度学习的复杂方法。本研究鉴定了总共 15 个水果类别,并提出了一个新的模型,与之前的研究相比,其检测性能有了显著提高。
Jun, 2024