农业机器人无监督杂草侦察的聚类方法
计算机视觉与模式识别
2017-02-28 v2
摘要
杂草侦察是现代综合杂草管理的重要组成部分，但手动执行时可能耗时且稀疏。自动杂草侦察与杂草清除通常使用能够分类一组先验已知物种的分类系统来完成。这极大限制了可部署性，因为分类系统必须针对任何存在不同杂草物种组合的田块重新训练。为克服此限制，本文致力于开发一种用于杂草侦察的聚类方法，该方法可在任何田块中使用，无需先验物种知识。我们利用从农业机器人平台在现场采集的具有挑战性的数据演示了我们的系统。我们表明，通过(i)使用深度卷积神经网络学习低维（瓶颈）特征以泛化表示植物，以及(ii)将同一区域（植物）的视图关联起来，可以取得显著改进。将该方法部署在AgBotII采集的田间数据上，我们能够在无需该田块特定植物先验知识或训练的情况下，成功将棉花植株与草类聚类区分。
引用
@article{arxiv.1702.01247,
title = {Towards Unsupervised Weed Scouting for Agricultural Robotics},
author = {David Hall and Feras Dayoub and Jason Kulk and Chris McCool},
journal= {arXiv preprint arXiv:1702.01247},
year = {2017}
}
备注
to appear in the proceedings of the IEEE International Conference on Robotics and Automation ICRA2017