农业机器人水果形状补全数据集与基准
本文提出应用图像识别技术解决农业领域的感知问题。作者提供了使用无人机采集并进行密集标注的农作物和杂草图像数据集以及用于测试的多个感知任务基准,包括语义分割、植物的全景分割、植物和叶子的检测、层次全景分割。
Jun, 2023
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
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
农业生产在未来几十年面临严峻挑战,包括气候变化和可持续性需求,通过机器人进行无化学除草的领域管理、无人机监测农作物以及培育新型更具适应性的作物品种有助于应对这些挑战。本文提出了自动化精细的器官级几何分析用于精准表型分析的问题。通过使用高分辨率无人机图像获取的新数据集,我们计算出重叠多视角的点云,并为植物、叶片和重要特征点(尖端和基部)提供详细准确的点级标签。此外,我们还提供了德国联邦植物品种办公室专家对真实植物进行的表型特征测量,以便不仅在分割和关键点检测上评估新方法,还可直接评估下游任务。提供的带标签点云可以进行细粒度植物分析,并支持自动表型分析方法的进一步发展,同时也为表面重建、点云补全和点云的语义解释提供了更多研究可能性。
Dec, 2023
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
通过VFMs进行水果检测,开发了适应不同果园条件的水果检测系统,并推出了MetaFruit数据集,该数据集在农业技术和机器人收获领域创造了新的基准,以解决农业部门的紧迫需求。
May, 2024
本研究针对传统水果计数方法的局限性,提出了FruitNeRF框架,通过结合先进的视图合成技术,在3D空间内直接计数任意类型的水果。我们的主要发现是,通过利用神经辐射场实现精确的水果计数,并有效防止重复计数和误计数,展示了该方法在实际和合成数据集上的优越性。
Aug, 2024