کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6923677 1448363 2018 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Apple flower detection using deep convolutional networks
ترجمه فارسی عنوان
تشخیص گل های سیب با استفاده از شبکه های کانولاسیون عمیق
کلمات کلیدی
برآورد شدت بلوم، تشخیص گل اپل، یادگیری عمیق، شبکه های عصبی انعقادی، کشاورزی دقیق،
ترجمه چکیده
برای بهینه سازی تولید میوه، بخشی از گل و درختان سیب باید در اوایل فصل رشد حذف شوند. نسبت به برداشت توسط شدت شکوفه، به عنوان مثال، تعداد گل در باغچه تعیین می شود. چندین سیستم بینایی کامپیوتری اتوماتیک برای پیش بینی میزان شدت شکوفایی پیشنهاد شده است، اما عملکرد کلی آنها حتی در محیط های نسبتا کنترل شده هنوز هم رضایتبخش است. با هدف طراحی یک تکنیک برای تعیین هویت گل که به شدت درهم تلطیف و تغییرات در نور می باشد، این مقاله یک روش ارائه می دهد که در آن یک شبکه عصبی کانولوشون قبل از آموزش مورد توجه قرار گرفته و مخصوصا به گل ها حساس می شود. نتایج تجربی در یک مجموعه داده چالش برانگیز نشان می دهد که روش ما به طور قابل توجهی بهتر از سه روش است که نشان دهنده وضعیت هنر در تشخیص گل با نرخ یادآوری و دقت بیش از 90٪ است. علاوه بر این، ارزیابی عملکرد در سه مجموعه داده های قبلی که قبلا توسط شبکه مشاهده نشد و شامل گونه های مختلف گل و تحت شرایط مختلف بود، نشان می دهد که روش پیشنهادی از نظر قابلیت تعمیم بسیار فراتر از روش های پایه است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
چکیده انگلیسی
To optimize fruit production, a portion of the flowers and fruitlets of apple trees must be removed early in the growing season. The proportion to be removed is determined by the bloom intensity, i.e., the number of flowers present in the orchard. Several automated computer vision systems have been proposed to estimate bloom intensity, but their overall performance is still far from satisfactory even in relatively controlled environments. With the goal of devising a technique for flower identification which is robust to clutter and to changes in illumination, this paper presents a method in which a pre-trained convolutional neural network is fine-tuned to become specially sensitive to flowers. Experimental results on a challenging dataset demonstrate that our method significantly outperforms three approaches that represent the state of the art in flower detection, with recall and precision rates higher than 90%. Moreover, a performance assessment on three additional datasets previously unseen by the network, which consist of different flower species and were acquired under different conditions, reveals that the proposed method highly surpasses baseline approaches in terms of generalization capability.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers in Industry - Volume 99, August 2018, Pages 17-28
نویسندگان
, , ,