Hatákony szőlőlevelek szegmentálása drón felvételeken
Efficient segmentation of vine leaves on drone images
Keywords:
applied robotics, agriculture, computer vision, artificial intelligence, precision viticulture, /, alkalmazott robotok, mezőgazdaság, képfelismerés, mesterséges intelligencia, precíziós szőlőtermelésAbstract
With the widening of the Agriculture 4.0 era, the use of autonomous robots in the agriculture field is becoming a priority. This is the case also in the vineyards where segmenting the vine canopies is a part of the pre-processing chain. This work presents a Feature Pyramid Network-based grape canopy segmentation method. We conducted our tests in different vineyards and obtained state-of-the-art segmentation results on public and custom datasets.
Kivonat
Az egyre bővülő számítógép által segített agrikultúrában (Agriculture 4.0), egyre nő az automatizált robotok szerepe. Ez a helyzet a szőlősökben is, ahol egy levélzet szegmentáló módszer nagy segítség lehet a későbbi folyamatokhoz. Ebben a munkában bemutatunk egy FPN-alapú levélzet szegmentáló módszert. További teszteket végzünk különböző adatszettekkel, illetve más szegmentáló algoritmusokkal szemben.
References
F. Abdelghafour, B. Keresztes, A. Deshayes, C. Germain, J.-P.D. Costa, An annotated image dataset of downy mildew symptoms on Merlot grape variety, Data Brief. 37 (2021) 107250.
D. Aghi, S. Cerrato, V. Mazzia, M. Chiaberge, Deep Semantic Segmentation at the Edge for Autonomous Navigation in Vineyard Rows, in: IEEERSJ Int. Conf. Intell. Robots Syst. IROS 2021 Prague Czech Repub. Sept. 27 - Oct. 1 2021, IEEE, 2021: pp. 3421–3428.
S. Castriota, Wine Economics, The MIT Press, 2020.
D. Dey, L. Mummert, R. Sukthankar, Classification of Plant Structures from Uncalibrated Image Sequences, in: IEEE Workshop Appl. Comput. Vis. WACV 2012 Breckenridge CO USA January 9-11 2012, IEEE Computer Society, 2012: pp. 329–336.
L. Ghiani, A. Sassu, F. Palumbo, L. Mercenaro, F. Gambella, In-Field Automatic Detection of Grape Bunches under a Totally Uncontrolled Environment, Sensors. 21 (2021) 3908.
S. Gutiérrez, I. Hernández, S. Ceballos, I. Barrio, A.M. Díez-Navajas, J. Tardaguila, Deep learning for the differentiation of downy mildew and spider mite in grapevine under field conditions, Comput. Electron. Agric. 182 (2021) 105991.
K. He, G. Gkioxari, P. Dollár, R.B. Girshick, Mask R-CNN, in: IEEE Int. Conf. Comput. Vis. ICCV 2017 Venice Italy Oct. 22-29 2017, IEEE Computer Society, 2017: pp. 2980–2988.
T.-Y. Lin, P. Dollár, R. Girshick, K. He, B. Hariharan, S. Belongie, Feature Pyramid Networks for Object Detection, in: Proc. IEEE Conf. Comput. Vis. Pattern Recognit., 2017: pp. 2117–2125.
S. Molnár, B. Kelényi, L. Tamás, Feature Pyramid Network Based Efficient Normal Estimation and Filtering for Time-of-Flight Depth Cameras, Sensors. 21 (2021) 6257.
S. Nuske, S. Achar, T. Bates, S. Narasimhan, S. Singh, Yield Estimation in Vineyards by Visual Grape Detection, in: 2011 IEEERSJ Int. Conf. Intell. Robots Syst. IROS 2011, pp. 2352–2358.
K.P. Seng, L.M. Ang, L.M. Schmidtke, S.Y. Rogiers, Computer Vision and Machine Learning for Viticulture Technology, IEEE Access. 6 (2018) 67494–67510.
N.D. Tillett, Robotic manipulators in horticulture: a review, J. Agric. Eng. Res. 55 (1993) 89–105.
