Aug, 2023

基于视觉的蔓越莓作物成熟评估

PDF
TL;DR通过使用无人机图像，我们开发了一个基于时间序列的框架，用于表征蔓越莓农作物的成熟过程，该方法通过无人机收集图像并进行光度校准和基于点选注释的半监督深度学习网络来进行浆果分割，从而提取时间序列的浆果反射率测量值，以评估四个不同品种的蔓越莓及其成熟速度的量化，这对评估蔓越莓沼泽地的实时过热风险、作物育种中的大规模后代比较以及通过寻找成熟模式异常来检测疾病具有实际意义，该研究是首个使用计算机视觉方法对成熟过程进行定量评估的工作，其影响不仅限于蔓越莓农作物，还包括葡萄酒葡萄、橄榄、蓝莓和玉米。
agricultural domainsaicomputer visionripening processcranberry crops
发现论文，激发创造
  • 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

  • 基于深度学习的复杂场景下番茄分类方法

    基于深度学习的番茄成熟监测方法，通过计算机视觉与人工智能技术优化番茄成熟状态的监测，实现及时检测并采摘成熟番茄，实验结果表明在极端条件下具有良好的分类准确率。

    Jan, 2024

  • 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

  • 基于计算机视觉的智能咖啡监测：走向可持续咖啡生产

    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。

    Apr, 2023

  • 利用无人机在芬兰森林和沼泽地采集的野生浆果图像数据集

    野生浆果图像数据集 WildBe 使用无人机捕获了芬兰泥炭地和树冠下的新品种浆果，评估了六种流行的物体检测器在不同森林地区和相机类型中检测浆果的有效性，并将其公开发布。

    May, 2024

  • 农业人工智能：基于 Sentinel-2 影像的作物分类的语义分割方法比较

    利用自由可用的卫星图像，探索可用于葡萄园分割问题的主要机器学习方法，并评估各种广泛使用的机器学习技术的有效性，为特定场景选择最合适的模型提供指导。

    Nov, 2023

  • 利用高光谱成像进行特种作物成熟度分类的双频带特征选择

    草莓和番茄等特殊作物的成熟度分类对于选择性采摘和质量控制是农业下游的重要活动。本文提出了一种特征提取方法，展示了在特征选择方面的最新成果，并通过比较分析表明该方法在成熟度分类和时间效率方面的表现优于现有方法。

    May, 2024

  • 基于无人机和机器学习的卫星驱动植被指数精细化农业应用优化

    本文提出一种基于深度学习技术的卫星图像细化框架，利用多光谱无人机获取的高分辨率图像信息作为训练数据，可在特定农业领域（如葡萄园生长）中优化卫星驱动的归一化植被指数（NDVI）图，生成更准确的 3 类葡萄园乔木优势图，使管理者能更好地描述和监测农作物状态和病害。

    Apr, 2020

  • 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

  • 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