利用全卷积神经网络在图像中检测单颗葡萄浆果
计算机视觉与模式识别
2019-05-03 v1
摘要
产量估计与预测在葡萄育种与葡萄栽培领域具有特殊意义。每株植物收获的浆果数与最终品质密切相关。因此,早期产量预测可通过有针对性的疏果来确保高品质终产品。传统产量估计通过从小样本外推并利用历史数据完成,且需由具备丰富经验的熟练专家实施。图像中的浆果检测为原本耗时且依赖专家主观判断的现场分析提供了一种廉价、快速且非侵入性的替代方案。我们将全卷积神经网络应用于由田间表型平台Phenoliner获取的图像。我们统计图像中的单颗浆果以避免易出错的葡萄串检测。葡萄串常相互重叠且大小差异很大,导致可靠检测困难。我们特别针对葡萄园中白葡萄的直接检测。单颗浆果检测被表述为一个三分类任务,类别分别为“浆果”、“边缘”和“背景”。应用连通域算法确定一幅图像中的浆果数量。我们将自动计数的浆果数与60幅图像中人工检测的浆果数进行比较,这些图像展示了垂直枝蔓固定篱架(VSP)和半最小修剪绿篱(SMPH)下的雷司令植株。我们能在VSP系统中以94.0%的准确率正确检测浆果,在SMPH系统中准确率为85.6%。
引用
@article{arxiv.1905.00458,
title = {Detection of Single Grapevine Berries in Images Using Fully Convolutional Neural Networks},
author = {Laura Zabawa and Anna Kicherer and Lasse Klingbeil and Andres Milioto and Reinhard Töpfer and Heiner Kuhlmann and Ribana Roscher},
journal= {arXiv preprint arXiv:1905.00458},
year = {2019}
}