从植株到地标：农业田地中采用深度位姿回归的时不变植株定位
机器人学
2017-09-15 v1 计算机视觉与模式识别
机器学习
摘要
农业机器人有望以可持续方式提高产量并自动化精准任务，如除草与植株监测。同时，它们在持续变化、半结构化的田地环境中移动，其中特征难以被发现并在稍后复现。Lidar 与视觉检测系统面临的挑战源于植株可能非常小、相互重叠且外观持续变化。因此，高精度车辆定位的流行方法基于昂贵的全球导航卫星系统而非自然地标。本工作的贡献是一种新颖的基于图像的植株定位技术，其使用时不变的茎出土点作为参考。我们的方法基于一个全卷积神经网络，该网络以端到端方式从 RGB 和 NIR 图像输入学习地标定位。该网络执行位姿回归以生成植株位置似然图。我们的方法使我们能应对不同物种与不同生长阶段植株的视觉差异。我们实现了高定位精度，正如在甜菜栽培阶段的详细评估中所展示的。在 our BoniRob 的实验中，我们证明了检测能以厘米级精度稳健复现。
引用
@article{arxiv.1709.04751,
title = {From Plants to Landmarks: Time-invariant Plant Localization that uses Deep Pose Regression in Agricultural Fields},
author = {Florian Kraemer and Alexander Schaefer and Andreas Eitel and Johan Vertens and Wolfram Burgard},
journal= {arXiv preprint arXiv:1709.04751},
year = {2017}
}
备注
IROS 2017 AGROB Workshop