Análisis de imágenes de viñedos
| Autor: | Nogueiras Marco, Ignasi |
|---|---|
| Přispěvatelé: | Salembier Clairon, Philippe Jean, Morros Rubió, Josep Ramon, Universitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions |
| Jazyk: | Spanish; Castilian |
| Rok vydání: | 2021 |
| Předmět: |
redes neuronales
comparación de modelos fruit detection systems for agriculture Visió per ordinador deep learning object detection inteligencia artificial para la agricultura dataset analysis Imatges -- Processament Enginyeria de la telecomunicació [Àrees temàtiques de la UPC] computer vision Neural networks (Computer science) Image processing detección de fruta Machine learning Aprenentatge automàtic detección de objetos Xarxes neuronals (Informàtica) visión por computados |
| Zdroj: | UPCommons. Portal del coneixement obert de la UPC Universitat Politècnica de Catalunya (UPC) |
| Popis: | The European Union is interested in automating the harvest estimation process; the first step is the detection of grape clusters, following the characteristics of the ai4agriculture project, recent object detection models are investigated and compared. Two databases are used, WGISD and ai4agriculture, the first is analyzed and we have participated in the annotation of the second. After comparing 11 models in the WGISD database using mmdetection, it is found that Cascade R-CNN and detectoRS outperform the other models; from there, the work focuses on Cascade R-CNN. Initially, a basic version is implemented in pyTorch (thinking about future work); subsequently, the Cascade R-CNN model is superficially tested in a part of ai4agriculture: obtaining decent results and defining a baseline for future improvements of 70% in validation for this database. La Unión Europea está interesada en automatizar el proceso de estimación de cosecha; el primer paso es la detección de racimos, siguiendo las características del proyecto ai4agriculture, se investigan y comparan modelos de detección de objetos actuales. Se usan dos bases de datos, WGISD y ai4agriculture, la primera es analizada y, de la segunda, se participa en la anotación. Tras comparar 11 modelos en la base de datos WGISD usando mmdetection, se encuentra que Cascade R-CNN y detectoRS superan a los demás modelos; entonces, el trabajo se centra en Cascade R-CNN. Inicialmente, se implementa una versión básica en pyTorch (pensando en trabajos futuros); posteriormente, se prueba superficialmente en una parte de ai4agriculture: obteniendo resultados decentes y definiendo una línea base para mejoras futuras del 70% en validación para esta base de datos. La Unió Europea està interessada en automatitzar el procés d'estimació de collita; el primer pas és la detecció de raïm, seguint les característiques del projecte ai4agriculture, s'investiguen i comparen models de detecció d'objectes actuals. S'usen dues bases de dades, WGISD i ai4agriculture, la primera és analitzada i, de la segona, es participa en l'anotació. Després de comparar 11 models a la base de dades WGISD usant mmdetection, es troba que Cascade R-CNN i detectors superen als altres models; llavors, el treball es centra en Cascade R-CNN. Inicialment, s'implementa una versió bàsica en pyTorch (pensant en treballs futurs); posteriorment, es prova superficialment en una part de ai4agriculture: obtenint resultats decents i definint una línia base per a millores futures de l'70% en validació per a aquesta base de dades. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|