Adnotacja pola ograniczającego wykrywania owoców w rolnictwie
W jaki sposób Shaip zapewnił ścisłe adnotacje ramek ograniczających dla każdego widocznego obrazu jabłka w sadzie — obejmującego cały cykl wzrostu, przechwytywanie z wielu perspektyw i atrybuty stanu na 3 warstwach — zbudowanego jako zbiór danych klasy produkcyjnej do szacowania plonów, zbioru zrobotyzowanego i kondycji upraw za pomocą sztucznej inteligencji.
Przegląd projektu
W miarę jak rolnictwo precyzyjne przechodzi na zbiory i przewidywanie plonów przy użyciu sztucznej inteligencji, klient potrzebował systemu adnotacji, który byłby w stanie wykrywać poszczególne owoce na dużą skalę na gęstych, naturalnie zaśmieconych obrazach sadu — obejmujących każdy etap wzrostu od kwitnienia do zbioru.
Shaip zbudował kompleksowy proces adnotacji obejmujący ścisłe rozmieszczanie pól ograniczających dla każdego owocu, tagowanie warunków wieloatrybutowych, obsługę obrazów wieloperspektywicznych i dwupoziomową kontrolę jakości — generując gotowe do modelowania zestawy danych na potrzeby sztucznej inteligencji w rolnictwie precyzyjnym na dużą skalę.
Kluczowe statystyki
Próg dokładności
99%
Etapy wzrostu
Pełny cykl
Warstwy atrybutów
3
Perspektywy
Ziemia + Dron
Wyzwania
- Adnotacje każde widoczne jabłko w gęstych obrazach sadów — setki na klatkę
- Pokrycie pełny cykl wzrostu — kwiat, mały zielony owoc, w pełni dojrzałe jabłka
- Prowadzenie obrazowanie wieloperspektywiczne — poziom gruntu, dron nad głową, zbliżenie gałęzi
- Charakterystyczny owoce z liści kiedy kolory mieszają się na wczesnych etapach wzrostu
- Zarządzający przesłonięte, częściowe i oślepiające owoce bez uszczerbku dla dokładności
Rozwiązanie
Umieszczenie pola ograniczającego dla każdego owocu
Adnotatorzy rysowali ciasne ramki wokół każdego widocznego jabłka na każdym zdjęciu, niezależnie od rozmiaru, stopnia zaawansowania koloru czy położenia w kadrze. Nawet w gęstych skupiskach, gdzie dziesiątki owoców nakładały się na siebie, każde z nich było indywidualnie oznaczane, aby ułatwić późniejsze liczenie owoców i szacowanie plonów.
Pełne pokrycie cyklu wzrostu
Adnotacje obejmowały jabłka na wszystkich etapach wzrostu – od wczesnego kwitnienia i małych zielonych owoców, aż po w pełni dojrzałe czerwone i żółte jabłka. To pełne pokrycie cyklu gwarantuje, że wyszkolony model może wykryć owoce w dowolnym momencie cyklu rolniczego, a nie tylko w momencie zbioru.
Obrazowanie wieloperspektywiczne
Uwzględniono zdjęcia z naziemnych rzędów sadów, zdjęcia z drona oraz zdjęcia gałęzi z bliska, co sprawiło, że zbiór danych był niezwykle zróżnicowany i reprezentatywny dla rzeczywistych zastosowań. Każda perspektywa została opatrzona wytycznymi dotyczącymi adnotacji.
Klasyfikacja atrybutów 3-warstwowych
Każde opatrzone adnotacją jabłko zostało dodatkowo sklasyfikowane za pomocą atrybutów obejmujących fazę dojrzałości (niedojrzałe, półdojrzałe, w pełni dojrzałe), status widoczności (w pełni widoczne, częściowo przesłonięte, silnie przesłonięte) oraz stan owocu (zdrowe, uszkodzone, chore). To wieloatrybutowe podejście umożliwia wytrenowanemu modelowi ocenę gotowości do zbioru i kondycji plonu, a także wykrywanie owoców.
Obsługa przypadków brzegowych
Adnotatorzy przestrzegali ścisłych wytycznych dotyczących jabłek częściowo poza kadrem, jabłek leżących na ziemi, odblaskowych lub błyszczących powierzchni owoców powodujących artefakty olśnienia oraz odległych małych owoców wymagających identyfikacji na poziomie powiększenia. Zmienność oświetlenia – zwłaszcza cienie koron drzew – była obsługiwana za pomocą reguł adnotacji uwzględniających perspektywę.
Zakres projektu
| Typ zbioru danych | Cel | Etapy wzrostu | Perspektywy | Atrybuty | Dokładność |
|---|---|---|---|---|---|
| Wykrywanie owoców w rolnictwie | Jabłka | Pełny cykl (kwitnienie → dojrzałość) | Ziemia + dron + zbliżenie | Dojrzałość, widoczność, stan | 99% |
Wyniki
- Założona rurociąg ograniczający gęsty sad zdolny do wykrycia każdego widocznego owocu
- znormalizowane pełne pokrycie adnotacji cyklu wzrostu od kwiatu do żniw
- Dostarczany Klasyfikacja atrybutów 3-warstwowych pod kątem dojrzałości, widoczności i kondycji
- Utrzymany Bramka o dokładności 99% za pomocą dwustopniowej kontroli jakości w obrazach wieloperspektywicznych
- Włączono klienta szacowanie plonów, zbiór robotyczny, kondycja upraw i nadzór dronami AI
Ogólnie rzecz biorąc, Shaip pomógł przekształcić wymagania dotyczące wykrywania owoców w sadzie w ustrukturyzowany, gotowy do produkcji system adnotacji — taki, który obsługuje precyzyjne rolnictwo, zbiór robotyczny, przewidywanie plonów i monitorowanie stanu upraw za pomocą sztucznej inteligencji w różnych środowiskach sadowniczych i cyklach wzrostu.
Shaip opatrzył adnotacjami jabłka, których w niektórych klatkach nie byliśmy w stanie odróżnić od liści. Oznaczenia ich fazy wzrostu i kondycji bezpośrednio wpłynęły na nasze modele szacowania plonów i planowania zbiorów.
