在野外种植的番茄产量估计使用点云细分与3D成形和RGB图像从一个田野机器人和数字单镜头反射相机的点云细分
B Ambrus1, G Teschner1, A J Kovács1
1Széchenyi István University, Albert Kázmér Faculty of Mosonmagyaróvár, Department of Biosystems and Precision Technology, Vár 2., Mosonmagyaróvár 9200, Hungary.
Heliyon
|December 6, 2024
概括
这项研究引入了一种新的机器人和3D扫描方法来估计番茄产量. 该系统使用图像分析和3D建模来更准确地预测水果的重量和数量.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
背景情况:
- 准确估计作物产量对于农业管理至关重要.
- 传统的产量估计方法可能是劳动密集型和耗时的.
- 机器人和计算机视觉方面的进步为自动化产量预测提供了潜力.
研究的目的:
- 开发和评估一个基于机器人的系统,用于估计野外种植的番茄产量 (重量和数量).
- 整合图像分析和3D扫描技术,以提高产量预测的准确性.
- 为了比较不同的数据采集和建模方法对番茄产量估计的性能.
主要方法:
- 一个配备DSLR相机的定制机器人被开发用于现场数据收集.
- 卷积神经网络 (CNN) 模型用于番茄细分和成熟度评估.
- 使用Ciclops 3D扫描仪进行点云成像,以创建番茄植物的详细3D模型.
- 从3D数据中生成了一个最合适的球体模型,以估计番茄的重量.
主要成果:
- 美国有线电视新闻网的模型在番茄细分方面获得了59.3%的F1分数.
- 3D模型提供了最好的表示,估计西红重量具有21.90%的相对误差和17.9665%的标准偏差.
- 番茄作物的基于对象的分类准确率为55.33%,高于排列采样.
- 在比较测量和估计产量时,DSLR相机图像显示了3.42公斤的有利平均差异.
结论:
- 开发的机器人和3D扫描系统显示出准确的番茄产量估计的前景.
- 图像细分和3D建模的整合为农业产量预测提供了一个强大的方法.
- 进一步完善该系统可能会导致更精确,更有效的农业监测.
