Nov, 2023

通过多光谱合成图像增强的深度学习进行核桃检测

PDF
TL;DR通过使用包含真实和合成 RGB 和 NIR 图像的丰富图像集，本研究提出了一种改进核桃检测效率的新方法，利用 YOLOv5 进行训练。与原始数据集相比较结果分析显示，在使用合成图像时，检测效果明显改善。
walnutsorchard managementwalnut detectionyolov5synthetic images
发现论文，激发创造
  • 使用合成或真实数据进行橄榄检测？橄榄无所不包

    通过生成橄榄树的自动标记的逼真 3D 模型，结合合成数据和少量真实数据的组合使用，该研究提出了一种能够改善橄榄检测的方法。

    Aug, 2023

  • 利用高分辨率多光谱无人机影像和机器学习对胡桃树的水分应激进行映射

    通过使用无人机飞行的高分辨率多光谱遥感图像和天气数据，结合随机森林（RF）模型的机器学习方法来绘制茎部水势（SWP），根据同时进行的样本核桃树的地面测量，有效估计核桃树 SWP 水分，该方法还通过结合热数据、NDVI、红边指数和天气数据进行核桃水分压力估计和评估，为核桃园中以个体植株为单位的数据驱动的精确灌溉管理提供可扩展、经济高效的工具。

    Dec, 2023

  • 使用合成森林图像对深度学习算法进行树木检测训练

    本研究探讨了在森林环境中基于视觉的分割是自主林业操作（如伐树和前进）的关键功能之一。在本研究中，我们提出使用模拟森林环境来自动生成具有像素级注释的 43k 真实合成图像，并将其用于训练深度学习算法来进行树木检测。我们报告了使用这些合成数据集训练的模型在真实数据集上的有效性，证明了模型的迁移学习能力。

    Oct, 2022

  • 数据集合成效果探索：在果园中应用于苹果检测

    本研究探讨了使用稳定扩散 2.1 基础库生成苹果树合成数据集的可行性，并将其与基于真实数据训练的基准模型进行了比较。通过 YOLOv5m 对模型进行评估，结果表明使用合成数据进行训练的模型在真实图像上的性能略低于基准模型，但这些结果具有高度的前景，证明了合成数据生成技术作为目标检测模型训练数据收集的一种可行替代方法的潜力。

    Jun, 2023

  • 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

  • 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

  • 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

  • 利用高分辨率宏观图像的深度学习方法识别木材种类

    本文提出了一种基于基于高分辨率巨观木材图像的深度学习识别方法 (TDLI-PIV methodology)，旨在自动化木材物种识别，克服了传统卷积神经网络在木材识别中面临的挑战。此方法能够捕捉木材的细粒度纹理，并通过协同投票推理过程提高鲁棒性和预测准确性。

    Jun, 2024

  • 利用合成数据提升托盘检测的准确性

    使用合成数据在机器学习中能够节省大量时间，本研究旨在改进先前实施的方法，以实现仓库环境中托盘的实例分割。通过使用合成生成的域随机数据和通过 Unity 生成的数据，该研究在真实数据评估中对叠放和垛放托盘类别分别实现了 69% 和 50% mAP50 的性能提升。此外，在光线较暗的环境下评估模型时，其性能有显著影响，当在亮度降低 80% 的图像上进行评估时，mAP50 降至 3% 左右。此研究还创建了一个使用 YOLOv8 和 SAM 的两阶段检测器，但其性能不稳定。与 Unity 生成数据相比，使用域随机数据的性能改进可忽略。

    Feb, 2024

  • 使用游戏引擎从合成数据中检测货盘

    本研究旨在评估使用游戏引擎在托盘分割的机器学习中生成合成训练数据的可行性。研究开发了一款工具，可从 3D 模型以像素完美的准确性自动生成大量带注释的训练数据，并且比手动方法更快地进行。使用 Mask R-CNN 管道进行图像分割，对于单独的托盘，AP50 达到了 86％。

    Apr, 2023