2026konferenciakiadvány, nem lektorált
UAV-Based Detection and Precision Management of Cirsium arvense: An End-to-End Workflow from Deep Learning to Variable-Rate Spraying
L. Moldvai, P. Á. Mesterházi, G. Teschner, A. Nyéki
Proceedings of the 17th International Conference on Precision Agriculture (ICPA) and 11th Brazilian Congress on Precision and Digital Agriculture, Porto Alegre, Brazil, 13–15 July 2026
Összefoglaló
Végponttól végpontig tartó munkafolyamat a mezei aszat (Cirsium arvense) drónfelvételeken való felismerésére és a detektálásból permetezőgéppel kompatibilis kezelési zónák előállítására. Egyosztályos YOLO modell, 800 annotált képcsempén tanítva (13 280 képre augmentálva): mAP@0,5 = 78,97 %, F1 = 77,2 %. A területnek mindössze 32,43 %-án kellett gyomirtót kijuttatni, ami 67,57 %-os megtakarítás a teljes felületű permetezéshez képest.
2025Q1
Aerial Image-Based Crop Row Detection and Weed Pressure Mapping Method
L. Moldvai, P. Á. Mesterházi, G. Teschner, A. Nyéki
Agronomy 2025, 15(8), 1762
Összefoglaló
Hatlépéses, jellemzőalapú gépi látási módszer, amely 20–30 m magasságból készült drónképekből határozza meg a kultúrnövény-sorokat és állít elő gyomnyomás-térképet, tanítóadat és mélytanulás nélkül. 208 valós képen és 120 mesterséges adathalmazon tesztelve; a soron belüli koncentrációs arány (IRCR) mutatja meg, hogy az eredmény használható-e. 678 kultúrnövény és 600 gyom esetén F1 = 86,32 %, a gyom/kultúr arány korrelációja a valósággal 98–99 %.
DOI: 10.3390/agronomy15081762
2025Q2
Innovative computer vision methods for tomato (Solanum lycopersicum) detection and cultivation: a review
L. Moldvai, A. Nyéki
Discover Applied Sciences 2025, 7, 975
Összefoglaló
Áttekintő tanulmány a paradicsomtermesztésben alkalmazott gépi látás, mélytanulás és MI legújabb eredményeiről: termésosztályozás, számlálás és hozambecslés, növényegészség-monitorozás (gyomok, kártevők, levélbetegségek), járműnavigáció és szüretelő robotok, az elmúlt két év képfeldolgozó algoritmusaira fókuszálva.
DOI: 10.1007/s42452-025-07613-x
