Jul, 2022

利用无人机遥感影像和点雾喷雾技术的志愿者棉花检测计算机视觉研究

PDF
TL;DR利用 YOLOv5m 和低分辨率多光谱图像成功检测和定位了玉米田中自发棉苗的生长状态，进而开发了一种基于自主机系统 (Unmanned Aircraft Systems) 的喷雾应用，用于有效管理棉铃虫害。
boll weevilvolunteer cottonyolov5mmultispectral imageryunmanned aircraft systems
发现论文，激发创造
  • 基于无人机遥感图像和深度学习的玉米田志愿毛棉植株检测

    本文介绍了使用无人机搜集的三波段航空图像使用 YOLOv3 检测玉米田中的志愿棉植物，结果发现经过训练的 YOLOv3 模型可用于计算机视觉驱动的航空应用系统 (RPAAS) 实现志愿棉植物的检测和喷涂，具备实时性。

    Jul, 2022

  • 评估 YOLOv5 算法在三个不同生长阶段的玉米田中检测志愿棉花植株表现

    应用基于 YOLOv5 版本 5 的计算机视觉算法和无人机遥感图像检测，发现在玉米田中生长的自然棉单株（VC）植物，如在季节作物轮作期间岁末遗留的种子可以成长为 VC 植物，它们可以成为棉铃虫害的寄主。研究表明，该算法可以有效检测和定位生长在玉米地中的 VC 植物，加快棉铃虫消除计划管理方面的进展。

    Jul, 2022

  • 利用无人机图像和计算机视觉技术支持玉米的场地特定杂草控制

    利用基于无人机的高分辨率图像和计算机视觉技术，进行基于位置的玉米田杂草控制，以减少化学草 herbicides 的使用。

    Jun, 2022

  • 基于 CNN 背景知识的精准农业机器人实时作物和杂草语义分割

    本文针对以减少除草剂使用量为目标的精准农业机器人的需要，提出了一种利用 RGB 数据进行基于 CNN 的作物分割和背景分类的方法，该方法利用植被指数实现实时分类，并且通过少量训练数据，可以在陌生的地块上进行有效的重新训练。在德国和瑞士的不同领域进行了实地测试，结果显示该系统的泛化能力很好，可在约 20Hz 的速度下进行在线操作，适合实际的农业生产。

    Sep, 2017

  • weedNet：利用多光谱图像和微飞行器进行密集语义杂草分类的智能农业

    本文介绍了一种使用编码器 - 解码器串联卷积神经网络进行密集语义杂草分类的方法，以通过微型飞行器收集的多光谱图像减少损害周围植物的可靠而精确的杂草检测，训练不同数量通道的模型并在嵌入式 GPU 系统中进行部署。

    Sep, 2017

  • 在高达 30 公里每小时的速度下，研究基于图像的菜蓝子和燕麦草空闲杂草检测性能

    通过比较四种不同镜头 - 软件组合在 5-30km/h 速度下对不同杂草的检测能力，在确定精确的硬件和软件要求的前提下，展示了地面速度和相机系统的变化对于草本和宽叶杂草检测性能的影响。

    May, 2023

  • 半监督杂草检测用于快速部署和提高效率

    该论文介绍了一种半监督杂草检测的新方法，通过利用计算机视觉和深度学习进行自动化杂草检测，该方法在农业领域中具有较好的应用潜力和实际可行性。

    May, 2024

  • 无人机图像中高粱穗部的半监督物体检测

    该研究使用半监督学习方法，在只使用原始训练数据的 10％的情况下，实现了类似监督方法的高精度识别高粱穗的效果。

    May, 2023

  • 智能监测自主机器人车辆在自然农场场景中识别小蛾科昆虫

    本文提出了一种监测害虫自主机器人车和一种识别小菜蛾害虫的方法，通过机器人车搜集自然农场场景下的图像，并利用图像处理技术准确快速地提取出小菜蛾害虫的轮廓，并且通过与对照模板比较，达到了 94.3% 的识别准确率，有望成为农业领域的重要工具。

    Mar, 2019

  • 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