W zależności od ilości danych do przetworzenia generowanie pliku może się wydłużyć.

Jeśli generowanie trwa zbyt długo można ograniczyć dane np. zmniejszając zakres lat.

Artykuł

Pobierz BibTeX

Tytuł

Multi-Agent Vision System for Supporting Autonomous Orchard Spraying

Autorzy

[ 1 ] Instytut Automatyki i Robotyki, Wydział Automatyki, Robotyki i Elektrotechniki, Politechnika Poznańska | [ P ] pracownik

Dyscyplina naukowa (Ustawa 2.0)

[2.2] Automatyka, elektronika, elektrotechnika i technologie kosmiczne

Wariant tytułu

PL Wieloagentowy system wizyjny do wspomagania autonomicznego opryskiwania sadów

Rok publikacji

2024

Opublikowano w

Electronics

Rocznik: 2024 | Tom: vol. 13 | Numer: iss. 3

Typ artykułu

artykuł naukowy

Język publikacji

angielski

Słowa kluczowe
EN
  • convolutional neural networks
  • artificial intelligence
  • autonomous systems
  • visual inspection
  • precise horticulture
Streszczenie

EN In this article, the authors propose a multi-agent vision system supporting the autonomous spraying of orchards and analyze the condition of trees and occurrence of pests and diseases. The vision system consists of several agents: first, for the detection of pests and diseases of fruit crops; second, for the estimation of the height of trees to be covered with spraying; third, for the classification of the developmental status of trees; and fourth, for the classification of tree infections by orchard diseases. For the classification, modified deep convolutional neural networks were used: Xception and NasNetLarge. They were trained using transfer learning and several additional techniques to avoid overfitting. Efficiency tests performed on the datasets with real orchard photos, showing accuracies ranging from 96.88% to 100%. The presented solutions will be used as part of an intelligent autonomous vehicle for orchard works, in order to minimize harm to the environment and reduce the consumption of water and plant protection products.

Strony (od-do)

494-1 - 494-19

DOI

10.3390/electronics13030494

URL

https://www.mdpi.com/2079-9292/13/3/494

Punktacja Ministerstwa / czasopismo

100

Impact Factor

2,6 [Lista 2023]

Ta strona używa plików Cookies, w celu zapamiętania uwierzytelnionej sesji użytkownika. Aby dowiedzieć się więcej przeczytaj o plikach Cookies i Polityce Prywatności.