Publikace detail

RGB Images Driven Recognition of Grapevine Varieties

Autoři: Škrabánek Pavel | Doležel Petr | Matoušek Radomil | Junek Petr

Rok: 2020

Druh publikace: článek ve sborníku

Název zdroje: 15th International Conference on Soft Computing Models in Industrial and Environmental Applications (SOCO 2020)

Název nakladatele: Springer Nature Switzerland AG

Místo vydání: Cham

Strana od-do: 216-225

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Rozpoznávání bobulí révy vinné z RGB dat	Představujeme systém rozpoznávání odrůd vinné révy založený na hustě propojené konvoluční síti. Navrhované řešení je zaměřeno na zpracování dat u cenově dostupného senzoru pro selektivní kombajny. Systém klasifikuje obrazy RGB normalizované podle velikosti podle odrůd hroznů zachycených na obrázcích. Trénujeme a vyhodnocujeme systém na polních obrazech zralých hroznů zachycených bez umělého osvětlení, ve směru slunečního svitu rovněž v opačném směru. Datová sada vytvořená pro tento účel se skládá z 7200 obrázků klasifikovaných do 8 kategorií. Systém rozlišuje mezi sedmi odrůdami révy vinné a pozadím, kde čtyři a tři odrůdy mají červené a zelené hrozny. Jeho průměrná přesnost klasifikace podle třídy je na 98,10% a 97,47% pro červené a zelené hrozny. Systém také dobře odlišuje hrozny od pozadí. Jeho celková průměrná přesnost v každé třídě přesahuje 98%. Výsledky vyhodnocení ukazují, že konvenční kamery v kombinaci s navrhovaným systémem umožňují konstrukci cenově dostupných automatických selektivních sklízečů.	Neuronová síť; bobule révy vinné
eng	RGB Images Driven Recognition of Grapevine Varieties	We present a grapevine variety recognition system based on a densely connected convolutional network. The proposed solution is aimed as a data processing part of an affordable sensor for selective harvesters. The system classifies size normalized RGB images according to varieties of grapes captured in the images. We train and evaluate the system on in-field images of ripe grapes captured without any artificial lighting, in a direction of sunshine likewise in the opposite direction. A dataset created for this purpose consists of 7200 images classified into 8 categories. The system distinguishes among seven grapevine varieties and background, where four and three varieties have red and green grapes, respectively. Its average per-class classification accuracy is at 98.10% and 97.47% for red and green grapes, respectively. The system also well differentiates grapes from background. Its overall average per-class accuracy is over 98%. The evaluation results show that conventional cameras in combination with the proposed system allow construction of affordable automatic selective harvesters.	Neural network; grapes

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte