Publikace detail

RGB images-driven recognition of grapevine varieties using a densely connected convolutional network

Autoři: Škrabánek Pavel | Doležel Petr | Matousek Radomil

Rok: 2022

Druh publikace: článek v odborném periodiku

Název zdroje: Logic Journal of the IGPL

Název nakladatele: Oxford University Press

Místo vydání: Oxford

Strana od-do: nestránkováno

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte