Repülési magasság, felbontás, és mit mond el egy drónkép.
Áttekintés
Az RGB kamerás multirotoros drón olcsó és rugalmas távérzékelési platform. A kulcskérdés a repülési magasság: magasabbról egy kép nagyobb területet fed le és kevesebb adatot jelent, de az egyes növények eltűnnek.
Fő fogalmak
Talajfelbontás (GSD)
A GSD egy pixel talajon mért mérete: szenzorszélesség × magasság ÷ (gyújtótávolság × képszélesség). Feleakkora magasság feleakkora GSD-t ad.
Magasság és részletesség
12 és 25 m-en YOLO-val egyes aszatnövényeket is fel tudtunk ismerni; 20–30 m-en a kultúrban az egyes növények már nem különböztethetők meg, ezért a gyomnyomást a sorszerkezetből statisztikailag becsültük.
Georeferálás
A tábla ismert helyzetű jelölőpontjai lehetővé teszik a képpontokból térképi koordinátákba való geometriai transzformációt.
Ortofotó
Összeillesztett, geometriailag korrigált mozaik, amely térképként használható sorfelismeréshez és zónázáshoz.
Kódpéldák
Talajfelbontás (GSD) a kamera és a repülés paramétereiből
def gsd_cm(sensor_width_mm, focal_mm, altitude_m, image_width_px):
"""Ground sampling distance in cm per pixel."""
return sensor_width_mm * altitude_m * 100 / (focal_mm * image_width_px)
print(gsd_cm(13.2, 8.8, 25, 5472)) # 1-inch sensor camera at 25 m -> about 0.69 cm/px
Esettanulmány
Esettanulmányok a munkáimból: gyomnyomás 20–30 m-es képekből és aszat pontpermetezés 12–25 m-es képekből.
Hivatkozások a saját munkáimból
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 %.
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.