|
精确的作物和杂草的快速和准确的概括列集精确农业 摘要在本文中，我们提出了一种农业机器人感知系统，该系统能够使配备多光谱摄像机的无人地面车辆(UGV)自动实时执行作物/杂草的检测和分类任务。 我们的方法利用了一个管道，其中包括两个不同的卷积神经网络(CNNs)应用于输入RGB+近红外(NIR)图像。一个轻量级的CNN被用来执行一个快速和健壮的，像素级的，二值图像分割，为了提取像素重新投射的3D点属于绿色植被。然后，使用更深入的CNN对提取出来的象素进行分类，将其分为作物和杂草两类。 这项工作的另一个重要贡献是一种新的无监督数据集摘要算法，它自动从大型数据集中选择信息最丰富的子集，更好地描述原始数据集。这样可以简化和加速手动数据集标签处理过程，否则非常耗时，同时保持良好的分类性能。 在一个真实农场机器人的不同数据集上进行的实验证实了我们的方法的有效性。 关键词:农业机器人，分类，分割，卷积神经网络 1介绍 自动机器人技术在精密农业上的应用受到了研究界的广泛关注，这也得益于它在食品安全、可持续性和减少化学处理方面的积极影响。在这项工作中，我们关注的是通过自主机器人进行选择性喷洒或机械清除精确检测到的杂草来减少用于控制杂草的除草剂数量的应用。在这种情况下，机器人只需要利用自己的感知系统，就可以自主地检测和区分田里的作物和杂草。  图1:(a)的一个博世Bonirob用来收购中使用的数据集实验;(b)、(c)的一个例子RGB +近红外光谱图像夫妇提供的多光谱相机安装在机器人;(d)的输出图像分割获得使用我们的植被检测算法:蓝色像素表示预测的3 d点属于绿色植被;(e)的结果提出pixel-wise分类算法:属于作物的像素以紫色高亮显示，属于杂草的像素以红色高亮显示。 在这项工作中，我们提出了一个鲁棒和有效的杂草识别系统，利用卷积神经网络(CNNs)在检测和分类步骤的有效性。我们的系统采用4通道RGB+NIR图像作为输入(例如，图l(b)，(c)，由安装在农场机器人(e)上的多光谱摄像机提供。g，图1(a))，自动监测作物，并可进行选择性杂草处理。杂草识别任务包括，在植物分类之前，植物检测步骤。与分类相比，检测通常是一项更具有挑战性和更耗时的任务，因为它可能需要对整个图像进行彻底的搜索，并且具有可变的边框大小。在绿色植物背景下，通过对RGB+NIR图像提取的归一化差分植被指数[20](NDVI)进行标绘，可以简化检测任务:NDVI可以在绿色植被与土壤之间得到简单、快速、像素级的分离(如9,15)。不幸的是，这种基于阈值的技术对于光照变化和不同的土壤条件并不具有鲁棒性:为了得到一个好的分割[15]，需要仔细调整阈值和一个离群值去除过程。为了克服这些limi，在这项工作中，我们建议将基于NDVI的分割与训练有素的轻量级CNN(我们在下面称之为sVet)结合起来，后者将RGB+NIR图像的小块作为输入。其思想是使用一个非常保守的阈值，以选择通过NDVI的大多数真正的正像素(即。，表示植被的像素)。然后，使用CNN验证每个选定的像素，删除大多数误报(例如:图1(d))。我们将通过实验证明，这种混合技术在保持良好的计算速度的同时，优于基于NDVI的分割。 在分割步骤中标记为植被的像素，然后用更深的3类CNN(我们在下面称为cNet)进行处理，以识别类别(作物、杂草或土壤)。尽管我们在前面的步骤中只处理被分类为植被的像素，但我们发现包括“土壤”类 在cNet CNN帮助删除剩余的假阳性没有被sNet CNN检测到。以满足我们系统所要求的实时约束，即我们需要从图像采集时间l中在一秒内得到分类结果，我们还提出了一种基于blob的投票方案，其中blob是从分割掩码中提取的连接区域。我们将通过实验证明:(a)我们的分类阶段取得了最先进的结果;(b)由两个连续CNNs(sNet +cNet)组成的管道与单个CNNs相比得到了相似的结果。cNet，但在速度上有相当大的增益。 在本工作的最后一部分中，我们解决了一个相对较新的问题，我们称之为无监督数据集摘要。众所周知，CNNs要想达到预期效果，需要大量的手工标记训练数据集[21]。不幸的是，植物识别需要一个具有挑战性的和非常耗时的每像素的la-beling过程。提出的想法是在手工标记阶段之前减少数据集的大小，以便在保持良好分类性能的同时简化和加速手工标记过程。我们提出了一种自动选择K个图像子集的算法，该算法在整个数据集(KxN)的N个图像中包含最有信息量的特征，以便以最好的方式总结原始数据集。然后标记过程只涉及到这些K图像。我们基于特征的子集选择方法不同于其他最大相关和最小冗余特征选择方法(其中[18,25])，因为它是无监督的，即。它不需要标签作为输入。我们将无监督数据集求和问题定义为s组合优化问题，使用一个受文本文档摘要问题[14]中覆盖集函数启发的子模块集函数作为奖励。我们将展示我们的数据集选择算法在所有实验中都优于随机数据集选择和监督手动选择策略。 |
|
|
