Прореживание ягод имеет решающее значение для выращивания высококачественного столового винограда. Эта операция традиционно выполняется вручную квалифицированными рабочими, которых не хватает и с каждым годом становится всё меньше. Чтобы решить проблему этого трудоемкого и длительного процесса, ученые сосредоточились на разработке интеллектуальной системы машинного зрения для автоматического прореживания ягод.
Текущие исследования используют глубокое обучение (DL) и обработку изображений для подсчета и определения местоположения ягод в грозди с использованием различных методологий: от анализа изображений целого куста до фокусировки на изображениях одной грозди винограда для повышения точности и эффективности. Однако по-прежнему возникают проблемы с точным обнаружением мелких ягод в период прореживания из-за их размера, сходства цвета с листьями и плотной упаковки. Это требует дальнейших исследований для расширения возможностей обнаружения и обобщения методов.
В данном исследовании ученые использовали систему машинного зрения, в частности модель сегментации экземпляров под названием AS-SwinT, для улучшения процесса подсчета ягод винограда. Эксперимент проводился с использованием надежной аппаратной установки, включая NVIDIA RTX3090 емкостью 24 ГБ и процессор i7. Были использованы такие программные инструменты, как Python и PyTorch, а также MMDetection для построения моделей.
На рисунке изображена структура AS-SwinT
Изображения были улучшены с помощью методов переворота, а модели были обучены с использованием оптимизации AdamW с упором на перенос обучения и веса магистрали из набора данных Imagenet. Производительность AS-SwinT и других моделей оценивалась с использованием показателей средней точности в стиле COCO, с учетом различных размеров объектов и с использованием вычислений точности и полноты.
Исследования абляции показали значительное повышение точности обнаружения, особенно при интеграции компонентов Anchor optimization, Soft-NMS и ASFF. AS-SwinT продемонстрировал превосходную производительность при обнаружении мелких ягод, объединив преимущества этих модулей, чтобы избежать промахов в обнаружении.
Сравнение с различными магистральными сетями показало, что углубление слоев не всегда коррелирует с более высокой точностью, что подчеркивает эффективные возможности Swin Transformer по извлечению признаков. По сравнению с классическими моделями как в искусственной, так и в естественной среде AS-SwinT превзошёл других, продемонстрировав замечательную надежность и точность, особенно в сложных условиях, когда ягоды перекрывают друг друга или находятся в затенении.
В исследовании также изучалась оценка количества ягод в одной грозди с использованием модели линейной регрессии, оценивающей взаимосвязь между прогнозом и достоверностью. AS-SwinT достиг самых высоких характеристик среди протестированных моделей, что указывает на его потенциальную полезность для производителей столового винограда.
Несмотря на успех, такие проблемы, как необнаружение сильно затененных или крошечных ягод, указывают на области для будущих исследований, включая изучение различных сортов винограда и влияние условий окружающей среды на точность обнаружения. Целью исследования является снижение затрат на маркировку и дальнейшее совершенствование модели.
Исследование показывает, что полуконтролируемое обучение и другие методы могут быть полезными в промышленном столовом виноградарстве.
В целом, данное исследование представляет собой значительный прогресс в автоматизированном подсчете ягод винограда, предлагая надежное решение, которое поможет в процессе прореживания гроздей и потенциально совершит революцию в выращивании столового винограда.
Ознакомиться с исследованием можно здесь (на англ. языке).
