Paradicsom hozamelőrejelzés technológiai lépései gépi látás segítségével
DOI:
https://doi.org/10.17108/ActAgrOvar.2024.65.1.89Kulcsszavak:
hozam-előrejelzés, precíziós növénytermesztés, big data, gépi tanulás, paradicsom detektálásAbsztrakt
A precíziós növénytermesztésben egyre több adatot mérünk, egyre több adatot gyűjtünk. Az adatgyűjtés végső célja, hogy valamilyen precíziós beavatkozást el tudjunk végezni. Tudjunk szabályozni bizonyos környezeti paramétereket adott szempontrendszer szerint optimálisan.
A gyakorlatban is felhasználható eredményekhez szükségünk van a várható hozam minőségi és mennyiségi paramétereire, a betakarítás várható időpontjára. A monitoring során képződött adatokból bizonyos betegségek előrejelzését is tudjuk pontosítani, illetve s stresszhatásokat is felismerhetjük. Emellett olyan kérdésekre is igyekszünk választ adni, hogy szabályozható-e bizonyos minőségben a környezet és tudjuk-e optimalizálni a beavatkozási technológiákat?
Jelen munkánknak az volt a célja, hogy meghatározzuk, milyen adatokat tudunk előállítani gépi látás segítségével képfeldolgozás útján. Igyekeztünk meghatározni, hogy a precíziós növénytermesztésben milyen adatok állhatnak rendelkezésünkre, mire alkalmazhatjuk a képfeldolgozási megoldásokat és a gépi látást. Vannak olyan szenzorok, amelyek direkt adatokkal szolgáltatnak és vannak olyanok, amelyek adataiból indexeket vagy konkrét transzformációk útján nyerünk feldolgozható információkat. Célkitűzésünk ezen technológiák áttekintése, hogy a gépi látás témakörében elmélyedve konkrét adatokat és információkat nyerjünk ki, amelyek már a precíziós beavatkozást lehetővé teszik.
Hivatkozások
Amershi, S., Begel, A., Bird, C., DeLine, R., Gall, H., Kamar, E., Nagappan, N., Nushi, B., & Zimmermann, T. (2019). Software Engineering for Machine Learning: A Case Study. ICSE-SEIP '10 Proceedings of the 41st International Conference on Software Engineering: Software Engineering in Practice, Montreal, Quebec, Canada, May 27, 2019, pp. 291-300.
Arakeri, M.P. & Lakshmana (2016). Computer Vision Based Fruit Grading System for Quality Evaluation of Tomato in Agriculture industry. Procedia Computer Science, 79, 426-433. https://doi.org/10.1016/j.procs.2016.03.055
Arefi, A., Motlagh, A., Mollazade, K., & Teimourlou, R. (2011). Recognition and localization of ripen tomato based on machine vision. Aust. J. Crop Sci., 5, 1144-1149.
Christiansen, P., Nielsen, L. N., Steen, K. A., Jørgensen, R. N., & Karstoft, H. (2016). DeepAnomaly: Combining background subtraction and deep learning for detecting obstacles and anomalies in an agricultural field. Sensors, 16(11), 1904.
Clement, J., Novas, N., Parra, J.A.G., & Manzano-Agugliaro, F. (2012). High speed intelligent classifier of tomatoes by colour, size and weight. AGRICULTURAL RESEARCH, 10(2), 314. https://doi.org/10.5424/sjar/2012102-368-11
Ehret, D.L., Hill, B.D., Helmer, T., & Edwards, D.R. (2011). Neural network modeling of greenhouse tomato yield, growth and water use from automated crop monitoring data. Computers and electronics in agriculture, 79(1), 82-89. https://doi.org/10.1016/j.compag.2011.07.013
Fitz-Rodriguez, E. & Giacomelli, G. A. (2009). Yield Prediction and Growth Mode Characterization of Greenhouse Tomatoes with Neural Networks and Fuzzy Logic. American Society of Agricultural and Biological Engineers, (01): 15, https://doi.org/10.13031/2013.29200
Gong, L., Yu, M., Jiang, S., Cutsuridis, V., & Pearson, S. (2021). Deep Learning Based Prediction on Greenhouse Crop Yield Combined TCN and RNN. Sensors, 21(13), 4537. https://doi.org/10.3390/s21134537
Gu, J., Wang, Z., Kuen, J., Ma, L., Shahroudy, A., Shuai, B., Liu, T., Wang, X., Wang, L., Wang, G., Cai, J., & Chen, T. (2015). Recent advances in convolutional neural networks. Pattern Recognition, 77, 354-377. https://doi.org/10.1016/j.patcog.2017.10.013
Halal, W.E. (2003). Artificial intelligence is almost here, On the Horizon - The Strategic Planning Resource for Education Professionals, Vol. 11, No. 2
Huang, L., Yang, S., & He, D. (2012). Abscission Point Extraction for Ripe Tomato Harvesting Robots. Intelligent Automation & Soft Computing, 18, 751-763.
Ishimwe, R., Abutaleb, K., & Ahmed, F., (2014). Applications of thermal imaging in agriculture – a review. Advances in Remote Sensing, (3). https://doi.org/10.4236/ars.2014.33011
Jhawar, J. (2016). Orange Sorting by Applying Pattern Recognition on Colour Image. (n.d.). Procedia Computer Science, 78, 691-697. https://doi.org/10.1016/j.procs.2016.02.118
Johansen, K., Mitchell, J.L.M., Yoann, M., Bruno A., Samer, A.M., Matteo, G.Z., Yoseline, A., Gabriele, F., Sónia, N., Magdi, A.A.M., Mark, A.T., & Matthew, F.M. (2020). Predicting Biomass and Yield in a Tomato Phenotyping Experiment Using UAV Imagery and Random Forest. Frontiers in Artificial Intelligence, 3 (May) 28. https://doi.org/10.3389/frai.2020.00028
Khodabakhshian, R., Emadi, B., Khojastehpour, & Golzarian, M.R. (2017). Determining quality and maturity of pomegranates using multispectral imaging. (n.d.). Journal of the Saudi Society of Agricultural Sciences, 16(4), 322-331. https://doi.org/10.1016/j.jssas.2015.10.004
Li, H.Y., Shi, Z., Webster, R., & Triantafilis, J. (2008). Mapping the three-dimensional variation of soil salinity in a rice-paddy soil. Geoderma, 195, pp. 31-41. https://doi.org/10.1016/j.geoderma.2012.11.005
Lillo-Saavedra, M., Espinoza-Salgado, A., García-Pedrero, A., Souto, C., Holzapfel, E., Gonzalo-Martín, C., Somos-Valenzuela, M., & Rivera, D. (2022). Early Estimation of Tomato Yield by Decision Tree Ensembles. Agriculture, 12(10), 1655. https://doi.org/10.3390/agriculture12101655
Malik, M.H., Zhang, T., Li, H., Zhang, M., Shabbir, S., & Saeed, I. (2018). Mature Tomato Fruit Detection Algorithm Based on improved HSV and Watershed Algorithm. IFAC-PapersOnLine, 51, 431-436. https://doi.org/10.1016/j.ifacol.2018.08.183
Mohamadi, H., Alimardani, R., & Omid, M. (2011). Detection of red ripe tomatoes on stem using Image Processing Techniques. Journal of American Science, 7(7), 376-379.
Nemeskéri E., Neményi A., Bőcs A., Pék Z., & Helyes L. (2019). Physiological Factors and their Relationship with the Productivity of Processing Tomato under Different Water Supplies. Water, 11, 586. https://doi.org/10.3390/w11030586
Polder, G. & Heijden, G. van der (2010). Measuring Ripening of Tomatoes Using Imaging Spectrometry. Hyperspectral Imaging for Food Quality Analysis and Control, pp. 369-402. https://doi.org/10.1016/B978-0-12-374753-2.10012-7
Qingchun, F., Wang X., Wang G., & Li Z. (2015). Design and test of tomatoes harvesting robot. In Proceedings of the 2015 IEEE International Conference on Information and Automation, Lijiang, China, pp. 949-952. https://doi.org/10.1109/ICInfA.2015.7279423
Sa, I., Ge, Z., Dayoub, F., Upcroft, B., Perez, T., & McCool, C. (2016). Deepfruits: A fruit detection system using deep neural networks. Sensors, 16(8), 1222. https://doi.org/10.3390/s16081222
Saeed, A., Abdel-Aziz, A.A., Mossad, A., Abdelhamid, M.A., Alfadhl, Y.A., & Muhammad, M. (2023). Smart detection of tomato leaf diseases using transfer learning-based convolutional neural networks. Agriculture, 13(1), 139. https://doi.org/10.3390/agriculture13010139
Steen, K.A., Christiansen, P., Karstoft, H., & Jørgensen, R.N. (2016) Using deep learning to challenge safety standard for highly autonomous machines in agriculture. Journal of Imaging, 2(1), 6. https://doi.org/10.3390/jimaging2010006
Tatsumi, K., Igarashi, N., & Mengxue, X. (2021). Prediction of plant-level tomato biomass and yield using machine learning with unmanned aerial vehicle imagery. Plant Methods, 17(1), 77. https://doi.org/10.1186/s13007-021-00761-2
Teke, M., Deveci, H.S., Haliloğlu, O., Gürbüz, S.Z., & Sakarya, U. (2013). A short survey of hyperspectral remote sensing applications in agriculture. In Ilarslan M, Ince F, Kaynak O and Basturk S (eds), 6th International Conference on Recent Advances in Space Technologies (RAST), IEEE. Piscataway, NJ, USA: IEEE, pp. 171-176. https://doi.org/10.1109/RAST.2013.6581194
Wang, J., Wang, G., Li, M., & Du, W. (2016). Hand vein recognition based on PCET. Optik - International Journal for Light and Electron Optics, 127(19), https://doi.org/10.1016/j.ijleo.2016.05.119
Yamamoto, K., Guo, W., Yoshioka, Y., & Ninomiya, S. (2014). On plant detection of intact tomato fruits using image analysis and machine learning methods. Sensors, 14(7), pp. 12191- 12206. https://doi.org/10.3390/s140712191
Zhang, S., Cui, S., & Ding, Z. (2021). Hypergraph spectral analysis and processing in 3d 955 point cloud, IEEE Transactions on Image Processing, 30, 1193-1206. https://doi.org/10.48550/arXiv.2001.02384
##submission.downloads##
Megjelent
Hogyan kell idézni
Folyóirat szám
Rovat
License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
