通过几何感知学习实现机器采摘荔枝的准确切割点估计
选择性机器人采摘是解决现代农业劳动力短缺的一种有希望的技术解决方案,本文介绍了一种基于关键点的水果方向估计方法,可以直接从 2D 图像中预测 3D 方向,并在两个不同的草莓图像数据集上实现了与先前工作相比误差降低约 30%的最先进性能,适用于实时机器人应用。
Oct, 2023
通过使用 RGB-D 相机数据,本文提出了一种基于关键点检测的方法,用于估计植物叶梗节点的三维姿态,为收获番茄束提供了必要的信息。该方法在商业温室中进行了全面评估,结果表明在物体检测、关键点检测和三维姿态估计方面具有高准确性。此外,该方法对视角变化具有鲁棒性,适用于番茄等其他温室作物。
Nov, 2023
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
自主空中收获是一个高度复杂的问题,因为它需要在小型低功耗计算设备上执行许多交叉学科算法。本文提出了一种基于新型潜在对象表示 (LOR) 模块、查询分配和预测策略的资源高效、单阶段且无后处理的快速水果检测器 (FFD),实现了与控制、抓取、SLAM 等时间关键子系统同时存在的 10W 技嘉 Jetson-NX 嵌入式设备上的 100FPS@FP32 精度,是本工作的一个重大成就。此外,本文还提出了一种在无需详尽手动标记水果图像的情况下生成大量训练数据的方法,因为这些图像包含大量的实例,从而增加了标记成本和时间;同时还创建了开源水果检测数据集,其中有许多很难检测到的非常小的实例。对我们的数据集和 MinneApple 数据集进行的详尽评估表明,FFD 作为一个单尺度检测器比许多代表性检测器更准确,例如,与单尺度 Faster-RCNN 相比,FFD 的 AP 提高了 10.7,与多尺度 Faster-RCNN 相比提高了 2.3,与最新的单尺度 YOLO-v8 相比提高了 8,与多尺度 YOLO-v8 相比提高了 0.3,同时运行速度显著更快。
Feb, 2024
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
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。
Dec, 2023
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
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
本文提出了一种基于点云的体素表示方法 FCAF3D,该方法利用稀疏卷积处理体素,可以在单个全卷积正向传递过程中快速处理大规模场景;同时,通过提出新的物体边界框参数化方式,消除了现有方法中对物体几何的先验假设,提高了方法的数据驱动性。在 ScanNet V2、SUN RGB-D 和 S3DIS 等数据集上,该方法在 [email protected] 指标上均取得了当下最优结果。
Dec, 2021
CherryPicker 是一个自动化的管道系统,可从樱桃树的三维点云中重构光度,执行语义分割并提取其拓扑结构,并利用几种最先进的算法进行自动化处理。
Apr, 2023