In agriculture, as precision farming increasingly employs robots to monitor crops, the use of weeding and harvesting robots is expanding the need for computer vision. Currently, most researchers and companies address these computer vision tasks with CNN-based deep learning. This technology requires large datasets of plant and weed images labeled by experts, as well as substantial computational resources. However, traditional feature-based approaches to computer vision can extract meaningful parameters and achieve comparably good classification results with only a tenth of the dataset size. This study presents these methods and seeks to determine the minimum number of training images required to achieve reliable classification. We tested the classification results with 5, 10, 20, 40, 80, and 160 images per weed type in a four-class classification system. We extracted shape features, distance transformation features, color histograms, and texture features. Each type of feature was tested individually and in various combinations to determine the best results. Using six types of classifiers, we achieved a 94.56% recall rate with 160 images per weed. Better results were obtained with more training images and a greater variety of features.
A precíziós növénytermesztésben egyre több adatot mérünk, egyre több adatot gyűjtünk. Az adatgyűjtés végső célja, hogy valamilyen precíziós beavatkozást el tudjunk végezni. Tudjunk szabályozni bizonyos környezeti paramétereket adott szempontrendszer szerint optimálisan. A gyakorlatban is felhasználható eredményekhez szükségünk van a várható hozam minőségi és mennyiségi paramétereire, a betakarítás várható időpontjára. A monitoring során képződött adatokból bizonyos betegségek előrejelzését is tudjuk pontosítani, illetve s stresszhatásokat is felismerhetjük. Emellett olyan kérdésekre is igyekszünk választ adni, hogy szabályozható-e bizonyos minőségben a környezet és tudjuk-e optimalizálni a beavatkozási technológiákat? Jelen munkánknak az volt a célja, hogy meghatározzuk, milyen adatokat tudunk előállítani gépi látás segítségével képfeldolgozás útján. Igyekeztünk meghatározni, hogy a precíziós növénytermesztésben milyen adatok állhatnak rendelkezésünkre, mire alkalmazhatjuk a képfeldolgozási megoldásokat és a gépi látást. Vannak olyan szenzorok, amelyek direkt adatokkal szolgáltatnak és vannak olyanok, amelyek adataiból indexeket vagy konkrét transzformációk útján nyerünk feldolgozható információkat. Célkitűzésünk ezen technológiák áttekintése, hogy a gépi látás témakörében elmélyedve konkrét adatokat és információkat nyerjünk ki, amelyek már a precíziós beavatkozást lehetővé teszik.
About Me
Precision Agriculture, Computer Vision, CNN based Deep Learning.
Precision Agriculture, Computer Vision, CNN based Deep Learning.