Apr, 2023

基于计算机视觉的智能咖啡监测：走向可持续咖啡生产

PDF
TL;DR该研究采用机器学习算法 YOLOv7 处理咖啡树影像，利用开发的 AI 移动应用程序 CoffeApp 预测收获时间、评估咖啡产量和品质，以及通报植株健康状况，从而实现高效、准确地监测咖啡生长状态。
发现论文，激发创造
  • 基于 YOLO 的学习方法的农业实时目标检测与机器人操控

    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

  • 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

  • 用于苹果早期花朵和花序的机器视觉系统 —— 精准稀化和授粉

    该研究利用 YOLOv5 目标检测算法提出了一个视觉系统，能够在无结构的果园环境中检测早期果花的生长情况，并通过 K-means 聚类算法识别并管理整个果花群，实现果树产量管理及农业自动化。

    Apr, 2023

  • 植物医生：一种混合机器学习和图像分割软件，用于量化视频中的植物损伤

    基于人工智能的系统能通过视频监控自动诊断城市街道植物的健康状况，结合 YOLOv8 和 DeepSORT 等机器视觉算法进行叶子定位和跟踪，再使用 DeepLabV3Plus 卷积神经网络进行叶片损伤分割与量化分析。该系统可作为非侵入性、高效可伸缩的解决方案，用于城市树木健康管理，支持可持续的城市生态系统。

    Jul, 2024

  • 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

  • 基于 YOLO 目标检测技术的甜樱桃表型分析的深度学习应用

    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

  • 咖啡烘焙智能化

    提出了一种基于机器学习的烘焙咖啡豆分类研究，该研究结合了 Android 应用程序平台，可以通过拍摄或上传照片来识别咖啡豆的颜色，并输出咖啡豆烘焙程度的文本和预测概率，帮助用户追踪咖啡豆的烘焙水平。

    Jun, 2022

  • 咖啡叶生物逆境分类和严重程度评估的深度学习

    本研究设计了一个基于卷积神经网络的实用系统，通过计算机视觉和深度学习方法对咖啡树叶上生物胁迫病原体进行早期和准确的识别和评估，实验结果表明该系统可能是一个适合专家和农民识别和量化咖啡种植区生物胁迫的工具。

    Jul, 2019

  • 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

    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。

    Jul, 2022

  • 农业中基于视频的人工采摘活动分类

    部署一支由自主机器人组成的舰队来与农场工人一起工作，可以在农业系统中提供极大的生产力和物流效益。本研究的主要贡献是创建了一个基于视频的人体摘取行为检测的基准模型，用于服务于不同农业场景的收获操作。

    Nov, 2023