Apr, 2020

使用卷积神经网络进行语义分割计数葡萄串图像中的浆果

PDF
TL;DR文章介绍了一种基于自动图像分析的客观框架，使用卷积神经网络检测图像中的浆果并进行计数，可以在葡萄园不同种植系统中检测到绿色浆果，VSP 的检测准确率为 94.0％，SMPH 为 85.6％。
phenotypic traitsviticultureautomatic image analysisconvolutional neural networkberry detection
发现论文，激发创造
  • 利用深度神经网络和三维关联技术进行葡萄检测、分割和跟踪

    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

  • 利用无人机高光谱成像分类葡萄品种

    利用卷积神经网络对红白葡萄品种进行分类，通过空间注意力层和 Inception 块进行空间和光谱特征提取，相对于其他卷积神经网络在处理高光谱数据分类时，网络模型更轻量，并且表现出更好的准确性，和以前研究相比，准确率提高到 99％。

    Jan, 2024

  • 为综合分析葡萄藤簇构架与浆果特性而切分一切

    该研究利用 Segment Anything Model (SAM) 对葡萄簇图像进行对象分割，生成了超过 150,000 个葡萄浆果掩码，并且通过人工测定和 SAM 预测之间的很强相关性（Pearson R2=0.96），演示了 SAM 在 2D 簇图像中识别个体浆果的高准确性。同时，强调了簇图像拍摄角度对浆果计数和架构的重要影响，提出了利用浆果位置信息计算与簇架构和紧密度相关的复杂特征的不同方法。最后，讨论了在葡萄园条件下将 SAM 整合到目前可用的图像生成和处理流程中的潜力。

    Mar, 2024

  • 使用点监督和形状先验进行越橘分割和计数

    本文提出了一种深度学习算法 Triple-S Network，用于同时对越橘进行分割和计数，以帮助预测产量和日照情况，并且利用低成本中心点注释监督方法。作者通过引入三个损失函数对其进行优化，获得比同类算法更好的分割结果和计数结果，同时提供了最大的陆地越橘图像数据集 CRAID 用于算法评测。

    Apr, 2020

  • 基于图像分割的苹果果园水果检测与产量估计

    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

  • 基于多张图像的葡萄产量估算

    本文提出了一种基于卷积神经网络和多任务学习的方法来预测葡萄收成量，通过智能手机拍摄图像并使用自编码器的多任务学习来实现高达 85％的准确度。

    Apr, 2020

  • 卷积神经网络集成学习在非控农场环境下基于高光谱成像的黑莓果实成熟度检测中的应用

    本研究提出了一种新颖的多输入卷积神经网络（CNN）集成分类器，用于检测黑莓果实成熟度的微小特征。通过实验，该模型在未见数据集上获得了 95.1% 的准确率，在实地条件下获得了 90.2% 的准确率，并进一步证明机器感知与人类感知之间在黑莓果皮纹理方面存在高度正相关性。

    Jan, 2024

  • 基于深度学习分割方法的无人机多光谱图像葡萄藤病害检测

    利用深度学习分割方法和两个不同传感器获得的红外和可见光图像进行葡萄藤疾病的自动检测，该方法在葡萄藤级别上达到 92％以上的检测准确度，在叶子级别上达到 87％以上的检测准确度，对于计算机辅助的葡萄园疾病检测具有很好的前景。

    Dec, 2019

  • 视觉域偏移下葡萄串分割的手术微调

    探讨如何利用深度学习模型实现对葡萄图像进行实例分割，以提高移动机器人在葡萄园监测工作中的视觉感知能力。

    Jul, 2023

  • AutoCount: 野外图像器官无监督分割与计数

    本文提出了一种全新的基于卷积网络的无监督技术，用于密集物体（如植物器官）的计数，该技术采用后处理优化步骤，可在不需要数据集调整或修改的情况下，对高精度计数执行器官任务的有效性得到了验证。

    Jul, 2020