Login for students

Login for employees

Publication detail

RGB images-driven recognition of grapevine varieties using a densely connected convolutional network
Authors: Škrabánek Pavel | Doležel Petr | Matousek Radomil
Year: 2022
Type of publication: článek v odborném periodiku
Name of source: Logic Journal of the IGPL
Publisher name: Oxford University Press
Place: Oxford
Page from-to: nestránkováno
Titles:
Language Name Abstract Keywords
cze Rozpoznávání odrůd vinné révy na základě RGB obrázků pomocí hustě propojené konvoluční sítě Představujeme hustě propojenou konvoluční síť kapesní velikosti (DenseNet) zaměřenou na klasifikaci barevných snímků normalizovaných podle velikosti podle odrůd hroznů zachycených na těchto snímcích. Srovnáváme síť DenseNet se třemi zavedenými sítěmi malé velikosti z hlediska výkonu, doby inference a velikosti modelu. Navrhujeme rozšíření dat, které používáme při trénování sítí. Sítě trénujeme a vyhodnocujeme na polních snímcích. Natrénované sítě rozlišují sedm odrůd vinné révy a pozadí, přičemž čtyři odrůdy jsou červené a tři zelené. V porovnání se zavedenými sítěmi se síť DenseNet vyznačuje výkonností blízkou nejmodernějším, krátkou dobou inference a minimální velikostí modelu. Všechny tyto aspekty kvalifikují síť pro aplikace v reálném čase, mobilní a okrajové výpočty. Síť DenseNet otevírá možnosti pro konstrukci cenově dostupných selektivních sklízečů v souladu se zemědělstvím 4.0. Rozpoznávání odrůd vinné révy; hustě propojená konvoluční síť; rozšiřování dat; snímky z pole; edge-computing; zemědělská mechanizace
eng RGB images-driven recognition of grapevine varieties using a densely connected convolutional network We present a pocket-size densely connected convolutional network (DenseNet) directed to classification of size-normalized colour images according to varieties of grapes captured in those images. We compare the DenseNet with three established small-size networks in terms of performance, inference time and model size. We propose a data augmentation that we use in training the networks. We train and evaluate the networks on in-field images. The trained networks distinguish between seven grapevine varieties and background, where four and three varieties, respectively, are of red and green grapes. Compared to the established networks, the DenseNet is characterized by near state-of-the-art performance, short inference time and minimal model size. All these aspects qualify the network for real-time, mobile and edge computing applications. The DenseNet opens possibilities for constructing affordable selective harvesters in accordance with agriculture 4.0. Recognition of grapevine varieties; densely connected convolutional network; data augmentation; in-field images; edge-computing; agricultural mechanization

Department

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0