| |
|
|
 | Acesso ao texto completo restrito à biblioteca da Embrapa Agricultura Digital. Para informações adicionais entre em contato com cnptia.biblioteca@embrapa.br. |
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Agricultura Digital. |
|
Data corrente: |
07/02/2020 |
|
Data da última atualização: |
17/04/2020 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Autoria: |
SANTOS, T. T.; SOUZA, L. L. de; SANTOS, A. A. dos; AVILA, S. |
|
Afiliação: |
THIAGO TEIXEIRA SANTOS, CNPTIA; LEONARDO L. DE SOUZA, IC/Unicamp; ANDREZA A. DOS SANTOS, IC/Unicamp; SANDRA AVILA, IC/Unicamp. |
|
Título: |
Grape detection, segmentation, and tracking using deep neural networks and three-dimensional association. |
|
Ano de publicação: |
2020 |
|
Fonte/Imprenta: |
Computers and Electronics in Agriculture, v. 170, p. 1-17, Mar. 2020. |
|
DOI: |
https://doi.org/10.1016/j.compag.2020.105247 |
|
Idioma: |
Inglês |
|
Notas: |
Article 105247. |
|
Conteúdo: |
Agricultural applications such as yield prediction, precision agriculture and automated harvesting need systems able to infer the crop state from low-cost sensing devices. Proximal sensing using affordable cameras combined with computer vision has seen a promising alternative, strengthened after the advent of convolutional neural networks (CNNs) as an alternative for challenging pattern recognition problems in natural images. Considering fruit growing monitoring and automation, a fundamental problem is the detection, segmentation and counting of individual fruits in orchards. Here we show that for wine grapes, a crop presenting large variability in shape, color, size and compactness, grape clusters can be successfully detected, segmented and tracked using state-of-the-art CNNs. In a test set containing 408 grape clusters from images taken on a trellis-system based vineyard, we have reached an F1-score up to 0.91 for instance segmentation, a fine separation of each cluster from other structures in the image that allows a more accurate assessment of fruit size and shape. We have also shown as clusters can be identified and tracked along video sequences recording orchard rows. We also present a public dataset containing grape clusters properly annotated in 300 images and a novel annotation methodology for segmentation of complex objects in natural images. The presented pipeline for annotation, training, evaluation and tracking of agricultural patterns in images can be replicated for different crops and production systems. It can be employed in the development of sensing components for several agricultural and environmental applications. MenosAgricultural applications such as yield prediction, precision agriculture and automated harvesting need systems able to infer the crop state from low-cost sensing devices. Proximal sensing using affordable cameras combined with computer vision has seen a promising alternative, strengthened after the advent of convolutional neural networks (CNNs) as an alternative for challenging pattern recognition problems in natural images. Considering fruit growing monitoring and automation, a fundamental problem is the detection, segmentation and counting of individual fruits in orchards. Here we show that for wine grapes, a crop presenting large variability in shape, color, size and compactness, grape clusters can be successfully detected, segmented and tracked using state-of-the-art CNNs. In a test set containing 408 grape clusters from images taken on a trellis-system based vineyard, we have reached an F1-score up to 0.91 for instance segmentation, a fine separation of each cluster from other structures in the image that allows a more accurate assessment of fruit size and shape. We have also shown as clusters can be identified and tracked along video sequences recording orchard rows. We also present a public dataset containing grape clusters properly annotated in 300 images and a novel annotation methodology for segmentation of complex objects in natural images. The presented pipeline for annotation, training, evaluation and tracking of agricultural patterns in images can be replicate... Mostrar Tudo |
|
Palavras-Chave: |
Aprendizado profundo; Convolutional neural networks; Deep learning; Detecção de fruta; Detecção de uva; Fruit detection; Previsão de rendimento; Redes neurais convolucionais; Redes neurais profundas; Visão computacional; Yield prediction. |
|
Thesagro: |
Agricultura; Fruta; Uva. |
|
Thesaurus Nal: |
Agriculture; Computer vision; Neural networks. |
|
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
|
Marc: |
LEADER 02844naa a2200385 a 4500
001 2119989
005 2020-04-17
008 2020 bl uuuu u00u1 u #d
024 7 $ahttps://doi.org/10.1016/j.compag.2020.105247$2DOI
100 1 $aSANTOS, T. T.
245 $aGrape detection, segmentation, and tracking using deep neural networks and three-dimensional association.$h[electronic resource]
260 $c2020
500 $aArticle 105247.
520 $aAgricultural applications such as yield prediction, precision agriculture and automated harvesting need systems able to infer the crop state from low-cost sensing devices. Proximal sensing using affordable cameras combined with computer vision has seen a promising alternative, strengthened after the advent of convolutional neural networks (CNNs) as an alternative for challenging pattern recognition problems in natural images. Considering fruit growing monitoring and automation, a fundamental problem is the detection, segmentation and counting of individual fruits in orchards. Here we show that for wine grapes, a crop presenting large variability in shape, color, size and compactness, grape clusters can be successfully detected, segmented and tracked using state-of-the-art CNNs. In a test set containing 408 grape clusters from images taken on a trellis-system based vineyard, we have reached an F1-score up to 0.91 for instance segmentation, a fine separation of each cluster from other structures in the image that allows a more accurate assessment of fruit size and shape. We have also shown as clusters can be identified and tracked along video sequences recording orchard rows. We also present a public dataset containing grape clusters properly annotated in 300 images and a novel annotation methodology for segmentation of complex objects in natural images. The presented pipeline for annotation, training, evaluation and tracking of agricultural patterns in images can be replicated for different crops and production systems. It can be employed in the development of sensing components for several agricultural and environmental applications.
650 $aAgriculture
650 $aComputer vision
650 $aNeural networks
650 $aAgricultura
650 $aFruta
650 $aUva
653 $aAprendizado profundo
653 $aConvolutional neural networks
653 $aDeep learning
653 $aDetecção de fruta
653 $aDetecção de uva
653 $aFruit detection
653 $aPrevisão de rendimento
653 $aRedes neurais convolucionais
653 $aRedes neurais profundas
653 $aVisão computacional
653 $aYield prediction
700 1 $aSOUZA, L. L. de
700 1 $aSANTOS, A. A. dos
700 1 $aAVILA, S.
773 $tComputers and Electronics in Agriculture$gv. 170, p. 1-17, Mar. 2020.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
| Registros recuperados : 47 | |
| 7. |  | ALMEIDA, L. A.; SEDIYAMA, T.; SILVA, J. C.; REIS, M. Correlacoes fenotipicas, genotipicas e de ambiente em cultivares de soja. In: SEMINARIO NACIONAL DE PESQUISA DE SOJA, 2., 1981, Brasilia. Anais... Londrina : EMBRAPA-CNPSo, 1982. v.2 p.395-402. (EMBRAPA-CNPSo. Documentos, 1).| Biblioteca(s): Embrapa Soja. |
|   |
| 8. | | DESTRO, D.; SEDIYAMA, T.; SILVA, J. C.; SEDIYAMA, C. S.; THÉBAUT, J. T. L. Estimativas de Herdabilidade de Alguns Caracteres, em Dois Cruzamentos de Soja. Pesquisa Agropecuária Brasileira, Brasília, v.22, n.3, p.291-304, mar.1987| Biblioteca(s): Embrapa Unidades Centrais. |
| |
| 9. | | GILIOLIM J. L.; SEDIYAMA, T.; SILVA, J. C.; THIÉBAUT, J. T. L.; REIS. M. S. Estimativas de herdabilidade e de correlações fenotípicas para alguns caracteres, em quatro mutantes naturais em soja. Pesquisa Agropecuária Brasileira, Brasília, DF, v. 15, n. 4, p. 379-384, out. 1980 Título em inglês: Estimates of heritability and phenotypic correlations of several characters, in four natural mutants in soybeans.| Biblioteca(s): Embrapa Unidades Centrais. |
|  |
| 11. | | SANTOS, C. A. F.; REIS, M. S.; SEDIYAMA, C. S.; CRUZ, C. D.; SEDIYAMA, T. Selecao indireta em familias F5 de um cruzamento de soja. Revista Brasileira de Genética, Ribeirão Preto, v. 18, n. 3, p. 102, set. 1995. Suplemento. Edição do 41 Congresso Nacional de Genética, Caxambu, set. 1995.| Tipo: Resumo em Anais de Congresso |
| Biblioteca(s): Embrapa Semiárido. |
| |
| 12. | | COSTA, M. de C.; LUCIA, T. M. C. D.; VILELA, E. F.; CHANDLER, L.; SEDIYAMA, T. Tabela de Vida de Cultivares de Soja e Variação Sazonal da Entomofauna. Pesquisa Agropecuaria Brasileira, Brasilia, v.28, n.11, p.1233-1245,nov.1993| Biblioteca(s): Embrapa Unidades Centrais. |
| |
| 13. | | HENRIQUES NETO, D.; SEDIYAMA, T.; SOUZA, M. A. de; LEITE, L. F. C.; BLANCO, F. F. Tamanho de parcela para avaliação da produção em trigo irrigado, sob dois sistemas de plantio. Revista Ciência Agronômica, v. 40, n. 1, p. 86-93, 2009.| Tipo: Artigo em Periódico Indexado | Circulação/Nível: B - 2 |
| Biblioteca(s): Embrapa Meio-Norte. |
| |
| 14. | | BRACCINI, A. de L. E; REIS, M. S.; SEDIYAMA, C. S.; SEDIYAMA, T.; ROCHA, V. S. Influência do potencial hídrico induzido por polietilenoglicol na qualidade fisiológica de sementes de soja. Pesquisa Agropecuária Brasileira, Brasília, DF, v. 33, n. 9, p. 1451-59, set. 1998. Título em inglês: Effects of water potential induced the polyethyleneglycol on soybean seed physiological quality.| Biblioteca(s): Embrapa Unidades Centrais. |
| |
| 15. | | IVANOFF, M. E.; UCHOA, S. C. P.; ALVES, J. M. A.; SMIDERLE, O. J.; SEDIYAMA, T. Formas de aplicação de nitrogênio em três cultivares de girassol na savana de Roraima. Revista Ciência Agronômica, v. 41, n. 3, p. 319-325, jul-set, 2010.| Tipo: Artigo em Periódico Indexado | Circulação/Nível: B - 2 |
| Biblioteca(s): Embrapa Roraima. |
| |
| 16. | | SEDIYAMA, T.; TEIXEIRA, R. C.; ZAMBONI, L. SULZBACH, L. J.; DUTRA, J. H. Comportamento de cultivares e linhagens de soja de ciclo semiprecoce e médio em Itiquira, Mato Grosso. In: REUNIAO DE PESQUISA DE SOJA DA REGIAO CENTRAL DO BRASIL, 22., 2000, Cuiaba, MT. Resumos. Cuiaba: Embrapa Soja, 2000. P.126. (Embrapa Soja. Documentos, 144).| Biblioteca(s): Embrapa Cerrados. |
| |
| 17. | | SEDIYAMA, T.; TEIXEIRA, R. C.; ZAMBONI, L. SULZBACH, L. J.; DUTRA, J. H. Comportamento de cultivares e linhagens de soja de ciclo tardio em Itiquira, Mato Grosso. In: REUNIAO DE PESQUISA DE SOJA DA REGIAO CENTRAL DO BRASIL, 22., 2000, Cuiaba, MT. Resumos. Cuiaba: Embrapa Soja, 2000. p. 127. (Embrapa Soja. Documentos, 144).| Biblioteca(s): Embrapa Cerrados. |
| |
| 18. | | SEDIYAMA, T.; MELO, M. A. B.; DUTRA, J. H.; TEIXEIRA, R. C. Comportamento de cultivares e linhagens de soja em quatro localidades de Goias. In: REUNIAO DE PESQUISA DE SOJA DA REGIAO CENTRAL DO BRASIL, 22., 2000, Cuiaba, MT. Resumos. Cuiaba: Embrapa Soja, 2000. p. 127-128. (Embrapa Soja. Documentos, 144).| Biblioteca(s): Embrapa Cerrados. |
| |
| 20. | | CORDEIRO, A. C. C.; SEDIYAMA, T.; GOMES, J. L. L.; SEDIYAMA, C. S.; REIS, M. S. Herança da Resistência da Soja a Cercospora Sojina Hara, Isolado de São Gotardo, Minas Gerais. Pesquisa Agropecuaria Brasileira, Brasilia, v.27, n.7, p.1035-1042, jul.1992| Biblioteca(s): Embrapa Unidades Centrais. |
| |
| Registros recuperados : 47 | |
|
| Expressão de busca inválida. Verifique!!! |
|
|
