Publikációk

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.

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 %.

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.

Hány tanítókép elég? Hagyományos, jellemzőalapú gépi látást (alak-, távolságtranszformációs, színhisztogram- és textúrajellemzők) és hat osztályozót teszteltünk gyomfajonként 5–160 képpel, négyosztályos feladatban. Fajonként 160 képpel 94,56 %-os recall érhető el, ami a mélytanulás pontosságát közelíti az adatmennyiség tizedével.

Érett paradicsom HSV színtérben történő szegmentálását vizsgáltuk 15 különböző mesterséges megvilágítási szinten. Az eredmények 3000 lx fölött stabilak; alatta a detektált méret egyre kisebb, 1600 lx körül a valódi méretnek csak a fele mérhető, ezért a pontos méréshez a megfelelő megvilágítás kulcsfontosságú.

Áttekintés az RGB-képalapú gyomdetektálásról és az automatizált gyomszabályozásról, és arról, hogyan csökkenti a gyomok pontos célzása a termelési költségeket és a vegyszerhasználatot a precíziós mezőgazdaságban.

A precíziós növénytermesztésben gépi látással, képfeldolgozás útján előállítható adatok vizsgálata, és a paradicsom hozamelőrejelzés technológiai lépései.