Dec, 2023

商业柑橘果园中多个橙子检测和跟踪的流水线，包括三维水果定位和基于神经网络的产量回归

PDF
TL;DR利用基于近红外成像、计算机视觉和机器学习的自动系统，这篇论文提出了一种用于柑橘作物预测的非侵入性替代方案，该系统通过视频计数水果，并结合其他树木数据（如作物品种和树木大小）估计水果的总数。通过对视频中至少 30% 的水果进行准确检测、跟踪和计数，可以实现令人印象深刻的 0.85 的决定系数。该研究是少数几个以手动水果计数为评估参考点的柑橘估算方法尝试之一，并提供了用于图像水果计数的注释数据集以促进新方法的发展。
发现论文，激发创造
  • 基于图像分割的苹果果园水果检测与产量估计

    本文介绍了一种用于水果检测和计数的图像处理框架，使用单眼视觉系统所获得的高分辨率图像数据，包括多尺度多层感知器和卷积神经网络，结合元数据进行分割和检测，并在商业苹果园中进行了实验，得出了最佳性能。

    Oct, 2016

  • 果园深度水果检测

    本文介绍了使用先进的物体检测框架 Faster R-CNN 对果园中的水果进行检测，包括芒果、杏仁和苹果，通过消融实验，数据增强技术和瓦片方法来提高检测精度和效率，并获得比以前更好的检测表现，对于苹果和芒果的 F1 值达到了 > 0.9。

    Oct, 2016

  • 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

  • 融合驱动树重建与果实定位：推动农业精确化

    通过利用 RGB 图像、LiDAR 和 IMU 数据的协同作用，本研究引入了一种创新的方法来实现复杂树木重建和水果的精确定位，该融合方法不仅能够提供水果分布的洞察，提高农业机器人和自动化系统的精度，而且为模拟不同树木结构的人工合成果实模式奠定了基础。实验证明了这种方法的鲁棒性和效力，凸显其作为未来农业机器人和精准农业的变革工具的潜力。

    Oct, 2023

  • 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

  • 迁移学习在少样本水果分割中的应用

    我们提出了一种为农田水果开发的少样本语义分割框架，采用迁移学习策略，在没有公开标记数据的情况下实现了水果在农田中的准确语义分割。

    May, 2024

  • CitDet：一个柑橘果实检测的基准数据集

    我们介绍了一个新的数据集，通过图像在果园环境中检测柑橘水果并准确估计黄龙病（HLB）病害影响下树木产量的研究进展。

    Sep, 2023

  • 基于 YOLOv5 的果园中精确的苹果检测与定位用于机器采摘系统

    通过使用 YOLOv5 模型和多样的苹果树图像数据集，我们提出了一种新颖的苹果检测和位置估计方法，实现了在复杂果园环境中准确识别苹果并提供精确位置信息的鲁棒系统，其具有约 85% 的苹果检测准确率，这在农业机器人领域取得了重要进展，为更高效、可持续的水果采摘实践奠定了基础。

    May, 2024

  • 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

  • 使用卷积神经网络进行语义分割计数葡萄串图像中的浆果

    文章介绍了一种基于自动图像分析的客观框架，使用卷积神经网络检测图像中的浆果并进行计数，可以在葡萄园不同种植系统中检测到绿色浆果，VSP 的检测准确率为 94.0％，SMPH 为 85.6％。

    Apr, 2020