Jun, 2024

从幼苗到收获：利用实例分割技术进行大豆作物中的杂草检测的 GrowingSoy 数据集

PDF
TL;DR通过实例分割技术，我们使用一个全面的数据集训练神经网络，以检测杂草和大豆植物的生长阶段，并提供了 6 个先进模型，实现了在所有植物类别中 79.1% 的平均精度和 69.2% 的平均召回率。
发现论文，激发创造
  • 植物幼苗分类的深度卷积神经网络

    本研究使用深度学习技术中的卷积神经网络与传统算法来进行植物幼苗分类，以达到增加农作物产量、提高生产效率与自动化种植的目的。

    Nov, 2018

  • 半监督杂草检测用于快速部署和提高效率

    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

  • DeepWeeds: 用于深度学习的多类杂草物种图像数据集

    使用 DeepWeeds 数据集，通过深度学习算法实现草地杂草物种的自动化分类，为澳大利亚大草原地区实现机器人除草控制提供了具有前景的技术支持。

    Oct, 2018

  • 用连续卷积网络和顺序信息实现精准农业中稳健的作物和杂草检测

    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

  • 基于 CNN 背景知识的精准农业机器人实时作物和杂草语义分割

    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

  • 农业中多样数据集集成学习改进作物与杂草检测

    现代农业依靠特定场地管理实践，需要准确检测、定位和量化农作物和杂草，可以通过深度学习技术实现。本研究提出了一种新颖的集成框架，利用不同的农作物和杂草模型以及可训练的元架构来结合它们的输出，从而在未知测试数据上显著提高了甘蓝作物和科冷草杂草的性能。经过消融研究的验证，证明了我们提出的模型的有效性。此外，我们还提出了两个用于比较的新颖数据集。

    Oct, 2023

  • weedNet：利用多光谱图像和微飞行器进行密集语义杂草分类的智能农业

    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。

    Sep, 2017

  • 从合成的体外大豆荚数据集迁移学习，用于原位分割大豆枝上的豆荚

    该研究提出了一种从合成数据集进行迁移学习的方法，用于解决现实世界中大规模农业数据集获取困难的问题，并成功地将其应用于大豆枝上豆荚的图像分割。

    Apr, 2022

  • 为基于视觉的农业应用生成多样化农业数据

    为精准农业中的计算机视觉任务提供包含语义标签的 12,000 张图像数据集，通过在合适的光照条件下模拟大豆作物和杂草的成长阶段、不同的土壤条件和随机的田地布局，将真实世界纹理和环境因素融入到程序生成过程中，提高合成数据的逼真度和适用性，从而有效地增加了农业机器学习模型的训练数据。

    Mar, 2024

  • 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