Apr, 2023

Agronav: 农业机器人和车辆的自主导航框架，使用语义分割和语义线检测

PDF
TL;DR提出一种基于视觉的农田自动导航框架 Agronav, 使用语义分割和语义线检测模型对输入图像处理，输出中心线；并提供了使用六种不同作物采集的像素级注释数据集 Agroscapes，结合神经网络技术使该框架适用于地面和空中的机器人平台。
vision-based navigationagricultural fieldsagronavneural networkssemantic segmentation
发现论文，激发创造
  • 加强模拟环境下基于行的作物导航基准测试与感知数据生成

    本文介绍了通过使用合成数据集和虚拟场景来加速自主导航系统的开发的方法及其在农业领域的应用。

    Jun, 2023

  • 基于深度学习的农业机器人田间导航中的农作物行跟随

    该论文提出了一种利用卷积神经网络进行作物排检测的算法，可以在农田环境中应对各种变化，仅使用 RGB 图像作为输入，并在可视伺服算法中获得更好的性能表现。

    Sep, 2022

  • CropFollow++ 部署的启示：基于关键点的地下农田导航

    基于视觉的农业机器人导航系统，利用语义关键点实现在农作物下生长环境中的自主导航。

    Apr, 2024

  • 基于视觉导航的农作物行间切换：高效农田导航的综合方法

    使用基于视觉的移动机器人导航系统，在农田中主要限于行内导航。该论文提出了一种新颖的基于视觉的作物行切换算法，使用单个前置摄像头使移动机器人能够导航整个农田。所提出的行切换操作使用基于深度学习的 RGB 图像分割和深度数据来检测作物行的结束点和下一个作物行的重新进入点，该方法将用于多状态行切换流水线。该论文在一个真实的甜菜田中进行了测试，包含不连续的作物行、不同光照水平、阴影和不规则的边界表面。通过所提出的流水线，机器人能够成功地离开一个作物行并重新进入下一个作物行，线性步骤和旋转步骤的绝对中位误差平均为 19.25 厘米和 6.77°。

    Sep, 2023

  • 基于深度强化学习的葡萄园无位置自主导航

    通过边缘人工智能和深度强化学习相结合的方式，提出了一个利用噪声深度图像和位置不确定的机器人状态信息来实现自动导航的机器人系统，在模拟的葡萄园中进行了充分的实验验证。

    Jun, 2022

  • AGSPNet: 一种基于农业地理场景约束的无人机高分辨率图像农作物细粒度语义变化检测框架

    该研究提出了一种针对农作物的农业地理场景和地块尺度受限的语义变化检测（SCD）框架（AGSPNet），通过有效提取农作物的深度图像特征，可以在复杂的场景中明确检测到农作物类型的细微变化信息，从而为智能农业监测与管理、粮食政策制定和食品安全保障提供科学和技术支持。

    Jan, 2024

  • 视觉化基于农业机器人导航的农田作物行出口

    本文中介绍了一种基于视觉反馈的纯视觉方案，使用 RGB 图像进行局部特征匹配来退出作物行，并在作物行末端使用深度图像来估算导航距离，模拟在多样化的围栏区域中进行的算法测试表明其误差在 50cm 以内。

    Jun, 2023

  • 农业机器人车辆的周围环境感知

    该研究旨在发展一种多传感器感知系统，以提高农业智能车辆在作物田地中的环境感知，包括障碍物检测、作物行引导、变量速率施肥和自动化进程等。研究使用立体视觉、LIDAR、雷达和热图等不同设备，提出了这些设备的组合方法，以区分可行和不可行区域。实验结果表明，该方法在农业环境中具有较好的效果。

    Apr, 2021

  • 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

  • 自监督的多样农业视觉任务骨干框架

    通过自我监督学习从原始农业图像数据中学习有意义的特征表示，我们提出了一种利用 SimCLR 对大规模未注释数据集上进行预训练的轻量级框架，该框架具有较强的适用性，可以解决各种农业视觉任务，并降低对注释数据的依赖，从而提高成本效益和可用性，推动农业中计算机视觉技术的广泛应用。

    Mar, 2024