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
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
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。
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
本文介绍了一种利用机器学习技术,结合公开遥感数据,使用卷积神经网络模型实现不同类植被的分离的方法,旨在解决处理遥感数据的效率问题。
Sep, 2022
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
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
基于人工智能的系统能通过视频监控自动诊断城市街道植物的健康状况,结合 YOLOv8 和 DeepSORT 等机器视觉算法进行叶子定位和跟踪,再使用 DeepLabV3Plus 卷积神经网络进行叶片损伤分割与量化分析。该系统可作为非侵入性、高效可伸缩的解决方案,用于城市树木健康管理,支持可持续的城市生态系统。
Jul, 2024
研究针对农业领域中小麦和高粱田间的蚜虫危害以及植物病毒传播所导致的大量减产问题,提出了研发一种智能自主系统的紧迫性,该系统能够在复杂农作物冠层中定位和喷洒蚜虫,减少农药使用和环境影响。通过收集和标记了大量的蚜虫图像数据集,并提出使用实时语义分割模型来分割蚜虫簇群。生成了一个多尺度数据集,以便在不同尺度上学习这些簇群。通过将四种最新的实时语义分割模型与非实时模型进行比较,对蚜虫簇群数据集的分割速度和准确性进行了评估。研究结果表明了实时解决方案的有效性,可以减少农药的低效使用,增加农作物产量,为自主的害虫检测系统铺平道路。
Jul, 2023
该研究提出了一种新型硬件和算法,利用物理规模的实验室和神经网络等技术相结合,实现了对不同作物进行自动化修剪的目标。该系统能够自动评估植物分布,选择要裁剪的部位,并根据训练好的神经网络自动裁剪,维护植物多样性和覆盖率。实验结果证明,系统能够在保持高平均枝叶覆盖率的同时,实现高度规范化的多植物分布。
Aug, 2022