Simple Science

Scienza all'avanguardia spiegata semplicemente

# Informatica # Visione artificiale e riconoscimento di modelli # Intelligenza artificiale

Automatizzare il conteggio di fiori e frutti in agricoltura

AgRegNet offre soluzioni efficienti per stimare il numero di fiori e frutti, migliorando le pratiche agricole.

Uddhav Bhattarai, Santosh Bhusal, Qin Zhang, Manoj Karkee

― 6 leggere min


AgRegNet: Conteggio delle AgRegNet: Conteggio delle Colture Semplificato agricoltori. conteggio di fiori e frutti per gli Sistema rivoluzionario semplifica il
Indice

Nel mondo agricolo di oggi, gli agricoltori devono affrontare molte sfide, specialmente quando si tratta di manodopera. La disponibilità di lavoratori per compiti come la raccolta e il diradamento dei fiori è imprevedibile e spesso costosa. Per gestire queste sfide, è essenziale trovare modi per stimare e Contare fiori e frutti in modo automatico. Questo renderebbe più facili processi come la raccolta e la gestione delle colture per gli agricoltori.

La necessità di Automazione

L'agricoltura dipende molto dal lavoro umano, soprattutto per compiti cruciali come potatura, allevamento delle piante e raccolta. Tuttavia, fare affidamento sul lavoro manuale può portare a inefficienze e costi maggiori. Qui entra in gioco l'automazione. Utilizzando sistemi automatizzati per stimare i conteggi di fiori e frutti, gli agricoltori possono gestire meglio le loro colture, ridurre i costi del lavoro e migliorare la produttività complessiva.

Per gestire le colture in modo efficace, gli agricoltori hanno bisogno di informazioni accurate sulla distribuzione di fiori e frutti. Queste informazioni sono vitali durante le diverse fasi di crescita. Ad esempio, conoscere il numero di fiori e frutti aiuta a decidere sui migliori metodi di diradamento chimico e meccanico. Durante la stagione di raccolta, contare i frutti consente una migliore preparazione riguardo a esigenze di lavoro, attrezzature e logistica.

Attualmente, gli agricoltori ispezionano manualmente fiori e frutti in posti specifici. Questo metodo è faticoso e può portare a errori. Non è scalabile e può aggiungere costi significativi all'agricoltura. Adottando tecniche automatizzate, la Stima può essere precisa, semplice e molto meno costosa.

Il ruolo della visione artificiale

La tecnologia della visione artificiale può aiutare notevolmente il settore agricolo. Sempre più agricoltori stanno usando la visione artificiale e l'apprendimento profondo per affrontare sfide come valutare i livelli di nutrienti, diagnosticare malattie delle piante, rilevare frutti e segmentare fiori tra varie attività. Usare queste tecnologie può semplificare i processi e migliorare i risultati.

I metodi di apprendimento profondo possono offrire un'alta precisione nel rilevamento e nella stima degli oggetti. Questo li rende adatti per compiti come identificare frutti e monitorare la crescita. Tuttavia, molti metodi esistenti per il rilevamento possono essere complessi, rendendoli non necessari per alcuni compiti agricoli. Per compiti come stimare i carichi di coltura o contare i fiori, possono essere sviluppati metodi più semplici ed efficienti.

Metodo proposto: AgRegNet

Per affrontare le sfide del conteggio e della stima della Densità di fiori e frutti, è stata proposta una nuova rete di apprendimento profondo chiamata AgRegNet. Questo sistema non si basa molto su un rilevamento dettagliato degli oggetti o annotazioni complesse dei confini. Invece, stima la densità, conta e localizza fiori e frutti dalle chiome degli alberi.

AgRegNet è costruito per semplificare il processo mantenendo la precisione. Si ispira a strutture di rete esistenti ma è stato adattato per funzionare bene nella stima dei conteggi in contesti agricoli. A differenza di altri metodi di rilevamento complessi, AgRegNet si concentra sull'analisi delle immagini per estrarre informazioni rilevanti riguardo alle caratteristiche di fiori e frutti.

Caratteristiche principali di AgRegNet

AgRegNet utilizza una combinazione di tecniche per raggiungere i suoi obiettivi. La rete sfrutta informazioni ottenute da annotazioni di punti e utilizza moduli di attenzione. Questi moduli aiutano a mettere in evidenza le caratteristiche rilevanti filtrando il rumore di fondo. La struttura della rete è progettata per facilitare stime più chiare di densità e conteggi, rendendola adatta sia per posizioni di oggetti scarsi che densi.

Struttura e funzionalità

AgRegNet utilizza una struttura unica di encoder-decoder per l'elaborazione delle immagini. Sfrutta le caratteristiche di design di rete popolari ma le modifica per soddisfare le esigenze agricole. Utilizzando annotazioni di punti, il metodo può funzionare efficacemente anche quando gli oggetti sono strettamente raggruppati.

Questo sistema non richiede annotazioni precise dei confini degli oggetti, consentendo un design più efficiente. Si concentra direttamente sulla stima delle mappe di densità, aiutando a semplificare il processo di conteggio di fiori e frutti. Inoltre, AgRegNet può sopprimere efficacemente informazioni di fondo irrilevanti, migliorando ulteriormente la sua precisione.

Valutazione dell'efficacia

L'efficacia di AgRegNet è stata testata utilizzando immagini di frutteti di mele. I risultati hanno mostrato che il sistema poteva stimare con precisione i conteggi di fiori e frutti, ottenendo punteggi promettenti. Le misurazioni hanno mostrato un'alta somiglianza strutturale e basse percentuali di errore assoluto medio, indicando che AgRegNet ha prodotto risultati affidabili.

AgRegNet ha mostrato anche una forte capacità di stimare densità e conteggio in diversi scenari nei frutteti di mele. È riuscito a lavorare con immagini di più fasi di crescita, evidenziando la sua versatilità. I risultati indicano che questo approccio potrebbe facilitare notevolmente il lavoro per gli agricoltori e migliorare l'efficienza produttiva.

Vantaggi del sistema proposto

I principali vantaggi di AgRegNet risiedono nella sua semplicità ed efficacia. L'approccio non richiede metodi complessi e vasti di rilevamento degli oggetti. Invece, utilizza un processo semplificato focalizzato sulle annotazioni di punti. Questo rende più facile per gli agricoltori raccogliere dati senza dover contare manualmente in modo esaustivo.

Il design di AgRegNet è leggero, il che consente di utilizzarlo su dispositivi con potenza di calcolo inferiore, come dispositivi portatili. Questo abbassa la barriera all'ingresso per gli agricoltori che vogliono adottare tali tecnologie. Inoltre, il suo tempo di elaborazione rapido consente agli agricoltori di applicare questi metodi in tempo reale, durante le loro operazioni quotidiane.

Impatto sulla gestione di fiori e frutti

Le applicazioni pratiche di AgRegNet nella gestione di fiori e frutti sono estensive. Per cominciare, può aiutare i coltivatori a stimare meglio i loro raccolti. Contando accuratamente fiori e frutti, gli agricoltori possono prendere decisioni informate riguardo alle loro pratiche di diradamento chimico e meccanico.

Inoltre, un conteggio accurato può portare a previsioni e gestione migliori della raccolta. Questo significa che i coltivatori possono pianificare in modo più efficiente, portando potenzialmente a profitti più elevati e riduzione degli sprechi. Semplificando il processo di conteggio e stima delle densità, AgRegNet libera anche tempo per gli agricoltori, permettendo loro di concentrarsi su altri compiti importanti.

Conclusione

L'automazione nell'agricoltura ha il potenziale di cambiare il modo in cui operano gli agricoltori, rendendoli più efficienti e meno dipendenti dal lavoro manuale. Strumenti come AgRegNet possono contribuire significativamente a questa trasformazione fornendo sistemi precisi, affidabili e facili da usare per contare e stimare le densità di fiori e frutti.

Con l'evoluzione continua del settore agricolo, tecnologie come AgRegNet saranno essenziali per aiutare gli agricoltori a ottimizzare le loro operazioni. La capacità di stimare i raccolti, migliorare la pianificazione della raccolta e gestire le colture in modo efficiente sarà fondamentale per affrontare le sfide che il settore deve affrontare oggi. Adottando soluzioni così innovative, gli agricoltori possono sperare in un futuro più produttivo e sostenibile.

Fonte originale

Titolo: AgRegNet: A Deep Regression Network for Flower and Fruit Density Estimation, Localization, and Counting in Orchards

Estratto: One of the major challenges for the agricultural industry today is the uncertainty in manual labor availability and the associated cost. Automated flower and fruit density estimation, localization, and counting could help streamline harvesting, yield estimation, and crop-load management strategies such as flower and fruitlet thinning. This article proposes a deep regression-based network, AgRegNet, to estimate density, count, and location of flower and fruit in tree fruit canopies without explicit object detection or polygon annotation. Inspired by popular U-Net architecture, AgRegNet is a U-shaped network with an encoder-to-decoder skip connection and modified ConvNeXt-T as an encoder feature extractor. AgRegNet can be trained based on information from point annotation and leverages segmentation information and attention modules (spatial and channel) to highlight relevant flower and fruit features while suppressing non-relevant background features. Experimental evaluation in apple flower and fruit canopy images under an unstructured orchard environment showed that AgRegNet achieved promising accuracy as measured by Structural Similarity Index (SSIM), percentage Mean Absolute Error (pMAE) and mean Average Precision (mAP) to estimate flower and fruit density, count, and centroid location, respectively. Specifically, the SSIM, pMAE, and mAP values for flower images were 0.938, 13.7%, and 0.81, respectively. For fruit images, the corresponding values were 0.910, 5.6%, and 0.93. Since the proposed approach relies on information from point annotation, it is suitable for sparsely and densely located objects. This simplified technique will be highly applicable for growers to accurately estimate yields and decide on optimal chemical and mechanical flower thinning practices.

Autori: Uddhav Bhattarai, Santosh Bhusal, Qin Zhang, Manoj Karkee

Ultimo aggiornamento: 2024-09-25 00:00:00

Lingua: English

URL di origine: https://arxiv.org/abs/2409.17400

Fonte PDF: https://arxiv.org/pdf/2409.17400

Licenza: https://creativecommons.org/licenses/by-nc-sa/4.0/

Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.

Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.

Altro dagli autori

Articoli simili