从图像中对葡萄酒产量估计迈出了一步:葡萄的计量验证 葡萄数量,半径和体积估计

科学领域:

• 精准农业 精准农业 精准农业
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 准确的产量估计对于精准农业至关重要,特别是在田间条件下对小水果至关重要.
• 现有的方法往往缺乏在现场进行小规模果实产量评估所需的精度.

研究的目的:

• 执行一个新的深度学习模型的计量验证,用于从彩色图像中估计葡萄数和半径.
• 为了能够计算葡萄体积,以提高葡萄园的产量,提高葡萄园的产量估计.

主要方法:

• 开发了一个深度学习模型,用彩色图像来估计葡萄数和半径.
• 模型的性能与自定义数据集上的手动测量得到了验证,包括不确定性分析.
• 体积估计用像素 (px3) 和毫米 (mm3) 单位进行.

主要成果:

• 算法可靠地估计了果的数量 (MPE=-5%, σ=6%) 和可见果半径 (MPE=0.8%, σ=7%).
• 在px3中的体积估计显示了低的MPE (0.4%),但高的不确定性 (σ=21%),影响mm3体积的准确性.
• 摄像机对象距离和可见葡萄的比例显著影响了体积估计的不确定性.

结论:

• 深度学习模型展示了一种可靠的方法,用于从二维图像中估计葡萄数量和大小.
• 建议将深度传感器与彩色成像集成,以克服当前体积估计的不确定性.
• 这项研究代表了从现场图像直接,准确的产量估计的重大进展.