論文の概要: Segmentation and Tracking of Vegetable Plants by Exploiting Vegetable
Shape Feature for Precision Spray of Agricultural Robots
- arxiv url: http://arxiv.org/abs/2306.13518v1
- Date: Fri, 23 Jun 2023 14:35:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-26 12:39:25.729649
- Title: Segmentation and Tracking of Vegetable Plants by Exploiting Vegetable
Shape Feature for Precision Spray of Agricultural Robots
- Title（参考訳）: 農業ロボットの精密噴霧のための植物形状特徴を利用した植物植物のセグメンテーションと追跡
- Authors: Nan Hu and Daobilige Su and Shuo Wang and Xuechang Wang and Huiyu
Zhong and Zimeng Wang and Yongliang Qiao and Yu Tan
- Abstract要約: 複数の植物を識別・追跡する手法として,MOTS (Multiple Object Tracking and Tracking) を提案する。
提案手法は,カメラの視野から外れたオブジェクトを再識別し,提案したデータアソシエーション戦略を用いて再出現することができる。
レタス農場で試験されるが、ブロッコリーやカノーラなど他の類似野菜にも適用できる。
- 参考スコア（独自算出の注目度）: 8.328453345461478
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the increasing deployment of agricultural robots, the traditional manual
spray of liquid fertilizer and pesticide is gradually being replaced by
agricultural robots. For robotic precision spray application in vegetable
farms, accurate plant phenotyping through instance segmentation and robust
plant tracking are of great importance and a prerequisite for the following
spray action. Regarding the robust tracking of vegetable plants, to solve the
challenging problem of associating vegetables with similar color and texture in
consecutive images, in this paper, a novel method of Multiple Object Tracking
and Segmentation (MOTS) is proposed for instance segmentation and tracking of
multiple vegetable plants. In our approach, contour and blob features are
extracted to describe unique feature of each individual vegetable, and
associate the same vegetables in different images. By assigning a unique ID for
each vegetable, it ensures the robot to spray each vegetable exactly once,
while traversing along the farm rows. Comprehensive experiments including
ablation studies are conducted, which prove its superior performance over two
State-Of-The-Art (SOTA) MOTS methods. Compared to the conventional MOTS
methods, the proposed method is able to re-identify objects which have gone out
of the camera field of view and re-appear again using the proposed data
association strategy, which is important to ensure each vegetable be sprayed
only once when the robot travels back and forth. Although the method is tested
on lettuce farm, it can be applied to other similar vegetables such as broccoli
and canola. Both code and the dataset of this paper is publicly released for
the benefit of the community: https://github.com/NanH5837/LettuceMOTS.
- Abstract（参考訳）: 農業用ロボットの普及に伴い、従来の手作業による肥料や農薬の散布は徐々に農業用ロボットに置き換えられている。
植物農場におけるロボットの精密噴霧適用においては, 事例区分による正確な植物表現の抽出とロバストな植物追跡が重要である。
本報告では, 野菜の密着性トラッキングに関して, 連続画像における類似の色やテクスチャと野菜を関連付けるという課題を解決するために, 複数植物のセグメンテーション・トラッキングにおいて, マルチプルオブジェクトトラッキング・セグメンテーション(MOTS)の新たな手法を提案する。
本手法では,各野菜の独特の特徴を表現し,同じ野菜を異なる画像で関連付けるため,輪郭とブロブの特徴を抽出する。
各野菜にユニークなidを割り当てることで、ロボットは農場の列に沿って横断しながら、各野菜を正確に1回だけスプレーできる。
アブレーション研究を含む包括的実験を行い、2つの最先端mots法よりも優れた性能を示す。
従来のmots法と比較して,提案手法では,カメラの視野から外れた物体を再識別し,ロボットが往復するときにのみ各野菜を噴霧させることが重要となるデータアソシエーション戦略を用いて再出現させることができる。
レタス農場で試験されているが、ブロッコリーやカノーラなどの他の類似野菜にも適用できる。
この論文のコードとデータセットは、コミュニティの利益のために公開されています。
関連論文リスト
- Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。
我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
論文 参考訳（メタデータ） (2024-03-27T08:42:47Z) - Machine Vision System for Early-stage Apple Flowers and Flower Clusters
Detection for Precision Thinning and Pollination [0.6299766708197884]
YOLOv5オブジェクト検出アルゴリズムを用いて,未構造化果樹園環境の早期花の検出を行う視覚システムを提案する。
開花・開花検出の精度は、商業用果樹園画像の81.9%のmAPまで達成される。
論文 参考訳（メタデータ） (2023-04-19T00:16:42Z) - Fruit Ripeness Classification: a Survey [59.11160990637616]
食品を格付けするための特徴記述子を多用する多くの自動的手法が提案されている。
機械学習とディープラーニング技術がトップパフォーマンスの手法を支配している。
ディープラーニングは生のデータで操作できるため、複雑なエンジニアリング機能を計算する必要がなくなる。
論文 参考訳（メタデータ） (2022-12-29T19:32:20Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - Hierarchical Approach for Joint Semantic, Plant Instance, and Leaf
Instance Segmentation in the Agricultural Domain [29.647846446064992]
植物表現型は、植物の成長段階、発達、その他の関連する量を記述するため、農業において中心的な課題である。
本稿では,RGBデータから作物の連接意味,植物インスタンス,葉のインスタンスセグメンテーションの問題に対処する。
本稿では,3つのタスクを同時に処理する単一畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-10-14T15:01:08Z) - Automated Wheat Disease Detection using a ROS-based Autonomous Guided
UAV [0.0]
小麦畑のモニタリング作業を自動化するために、無人航空機にスマート自律システムが実装されている。
画像に基づくディープラーニングアプローチは、病気に感染した小麦の植物を検出し分類するために用いられる。
ロボットオペレーティングシステムとガゼボ環境におけるシミュレーションを用いて,マッピングとナビゲーションシステムを提案する。
論文 参考訳（メタデータ） (2022-06-30T06:12:48Z) - Fractional Vegetation Cover Estimation using Hough Lines and Linear
Iterative Clustering [3.1654720243958128]
本稿では,ある地域に存在する植生被覆量を決定するために,新しい画像処理アルゴリズムを提案する。
提案アルゴリズムは,植生被覆推定のための信頼度の高いダウベンミア法からインスピレーションを得ている。
植物の成長に関する重要な洞察を、一定間隔で取得した画像を繰り返すと、その分析が引き起こされる。
論文 参考訳（メタデータ） (2022-04-30T23:33:31Z) - Supervised learning for crop/weed classification based on color and
texture features [0.0]
本研究では,大豆および雑草の識別における色彩と食感の特徴について検討した。
無人航空機(UAV)から得られた大豆のイメージデータセットを用いて実験を行った。
論文 参考訳（メタデータ） (2021-06-19T22:31:54Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳（メタデータ） (2020-12-07T16:23:13Z) - Agriculture-Vision: A Large Aerial Image Database for Agricultural
Pattern Analysis [110.30849704592592]
本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。
各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。
農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
論文 参考訳（メタデータ） (2020-01-05T20:19:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。