May, 2024

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

PDF
TL;DR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。
agricultural roboticsfruit harvestingapple detectionposition estimationyolov5
发现论文，激发创造
  • 商业果园中基于 YOLOv8 和形状拟合技术的未熟青苹果检测与尺寸测量

    利用 YOLOv8 目标检测和实例分割算法以及 3D 传感器，在商业果园环境中精确测定不成熟青苹果（或称果芽）的大小，并强调了形状拟合方法和 3D 传感器在农业中改善果实大小估计方面的综合有效性。

    Dec, 2023

  • 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

  • 使用嵌入式系统和硬件加速器的实时苹果检测系统：一种边缘人工智能应用

    本文提出了一种基于嵌入式解决方案和 YOLOv3-tiny 算法的实时苹果检测方法，以达到较高的检测准确率和帧速，同时将算法部署在便宜而功耗低的嵌入式硬件上，可用于农业智能化领域中的无人车苹果检测。

    Apr, 2020

  • 基于 YOLO 的学习方法的农业实时目标检测与机器人操控

    该研究提出了一种新的框架，将两种不同的卷积神经网络结构相结合，以在模拟环境中同时完成作物检测和收获（机器人操控）任务。利用机器视觉实现作物自动识别，提高收获效率，但仍面临挑战。通过随机旋转、裁剪、亮度和对比度调整来生成增强图像以进行数据集生成。使用一次性算法框架进行作物定位，以及使用视觉几何组模型来确定机器人操控的抓取位置。

    Jan, 2024

  • 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

  • 基于改进的 YOLOv5s 架构的实时草莓检测在开放环境中的机器人采摘

    该研究提出了一种基于 YOLOv5 的自定义目标检测模型，用于在户外环境中检测草莓。修改了 YOLOv5s 的原始架构，通过在骨干网络中将 C3 模块替换为 C2f 模块，提供了更好的特征梯度流。通过将 YOLOv5s 的最终层中的空间金字塔池化快速与 Cross Stage Partial Net 相结合，提高了在草莓数据集上的泛化能力。验证了该方法在开放环境中检测草莓的优势，并与四个竞争检测模型进行了比较。结果表明，通过所提出的架构实现了最高 80.3% 的平均精度，而 YOLOv3-tiny、YOLOv5s、YOLOv5s-C2f 和 YOLOv8s 分别获得了 73.4%、77.8%、79.8% 和 79.3% 的平均精度。该模型具有快速的推理速度和适用于实时草莓检测和定位的充足网络参数。

    Aug, 2023

  • 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

  • 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

  • YOLOv1 到 YOLOv10：YOLO 变种及其在农业领域的应用的综述

    该研究调查了从 YOLOv1 到最新的 YOLOv10 变种在农业进展方面的转变潜力，旨在阐述这些尖端目标检测模型如何重振和优化从作物监测到畜牧管理等农业各个方面，为精准农业和可持续农业提供有价值的洞见。

    Jun, 2024

  • 基于 You Look Only Once (YOLO) 算法的农业目标检测：一项文献计量和系统文献综述

    视觉在农业中发挥着重要作用，研究和应用 You Look Only Once (YOLO) 在农业领域的物体识别能够实现实时监测、自动化监视和物体处理，减少劳动力、生产成本和环境影响，同时最大限度地提高资源效率。

    Jan, 2024