کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6539525 1421100 2018 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A rapidly deployable classification system using visual data for the application of precision weed management
ترجمه فارسی عنوان
یک سیستم طبقه بندی سریع قابل استفاده با استفاده از اطلاعات بصری برای استفاده از مدیریت دقیق علف های هرز
کلمات کلیدی
طبقه بندی علف های هرز، رباتیک کشاورزی، استقرار سریع خوشه بندی برچسب گذاری انتخابی
ترجمه چکیده
در این کار ما یک سیستم طبقه بندی علف های هرز قابل استفاده را نشان می دهیم که از داده های دیداری استفاده می کند تا امکان توجیه دقیق مستقل را بدون پیش بینی های پیش بینی شده در مورد گونه های علف های هرز در یک زمینه مشخص فراهم کند. کار قبلی در این زمینه متکی به داشتن اطلاعات پیشین از گونه های علف های هرز در این زمینه است. این فرض همیشه برای هر حوزه درست نیست و بنابراین محدودیت استفاده از سیستم های طبقه بندی علف های هرز بر اساس این فرض را محدود می کند. در این کار، ما این فرض را از بین می بریم و یک رویکرد به سرعت در حال گسترش می توانیم بدون هرگونه پیش فرض های گونه های علفی قبل از استقرار در هر زمینه عمل کنیم. ما یک خط لوله سه مرحله ای برای اجرای سیستم طبقه بندی علف های هرز خود داریم که شامل نظارت اولیه، پردازش آفلاین و نشانه های انتخابی و علف کش دقت اتوماتیک است. ویژگی کلیدی رویکرد ما ترکیبی از خوشه بندی گیاهان و نشانه های انتخابی است که این امر باعث می شود که سیستم ما بدون دانستن گونه های علف های هرز عمل کند. تست با استفاده از داده های میدان ما قادر به برچسب گذاری 12.3 برابر تصاویر کمتر از برچسب های سنتی کامل است، در حالی که تنها 14٪ دقت طبقه بندی را کاهش می دهیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
یک سیستم طبقه بندی سریع قابل استفاده با استفاده از اطلاعات بصری برای استفاده از مدیریت دقیق علف های هرز
چکیده انگلیسی
In this work we demonstrate a rapidly deployable weed classification system that uses visual data to enable autonomous precision weeding without making prior assumptions about which weed species are present in a given field. Previous work in this area relies on having prior knowledge of the weed species present in the field. This assumption cannot always hold true for every field, and thus limits the use of weed classification systems based on this assumption. In this work, we obviate this assumption and introduce a rapidly deployable approach able to operate on any field without any weed species assumptions prior to deployment. We present a three stage pipeline for the implementation of our weed classification system consisting of initial field surveillance, offline processing and selective labelling, and automated precision weeding. The key characteristic of our approach is the combination of plant clustering and selective labelling which is what enables our system to operate without prior weed species knowledge. Testing using field data we are able to label 12.3 times fewer images than traditional full labelling whilst reducing classification accuracy by only 14%.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers and Electronics in Agriculture - Volume 148, May 2018, Pages 107-120
نویسندگان
, , , ,