May, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • WeedScout：基于专用硬件的实时自主黑草分类与制图

    该研究介绍了一个实时黑草分类与制图系统（RT-ABGCM），使用人工智能算法处理图像数据，推断黑草密度并覆盖两个成熟阶段，以实现精准的杂草管理，并探索了加速边缘端的 YOLOv8 和 YOLO-NAS 模型在农业实践中的应用，提供 AI 在农业实践中的潜在解决方案。此外，研究将两个数据集和模型权重提供给研究社区，促进杂草检测和精准农业技术的进一步发展。

    May, 2024

  • 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

  • Hierarchical Mask2Former: 农作物、杂草和叶片的全景分割

    机器视觉技术在农业等多个领域的精细分析有潜力进行转型。本文提出了一种层次式全景分割方法，用于同时识别植物生长的指标和图像中的杂草，并在此基础上探索了使该架构更紧凑适用于时间和计算受限应用的方法。通过更紧凑的架构，推理速度提升了 60％，PQ 得分降低不到 1％。

    Oct, 2023

  • 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

  • 用连续卷积网络和顺序信息实现精准农业中稳健的作物和杂草检测

    通过卷积神经网络加入空间信息作为特征，实现了在复杂环境下农田杂草与作物的自动分割识别，并在实验中取得了优异的结果。

    Jun, 2018

  • 黑粮黑草的多光谱细粒度分类

    利用机器视觉和多光谱成像技术，研究了在小麦和大麦作物中识别黑草的先进方法的有效性，并提供了大量数据集来评估黑草杂草识别的几个关键方面，包括不同卷积神经网络和 Transformer 架构的性能，不同光谱波段的作用以及数据集规模对分类性能的影响。研究结果表明，即使使用相对较少的训练数据，也可以在未知领域的图像上达到近 90% 的准确率。

    May, 2024

  • 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