YCSK6BI4

2660

28 octobre 2020 12:38

17 décembre 2020 11:16

Dans les premiers stades de croissance des jeunes cultures, les mauvaises herbes se disputent les ressources vivantes alors qu'elles poussent souvent rapprochées et se chevauchent. Les techniques de désherbage conventionnelles telles que le désherbage mécanique et l'application d'herbicides ne sont pas des méthodes de précision. Pour permettre une cible de haute précision et la pulvérisation des mauvaises herbes, des robots de terrain autonomes équipés de systèmes de vision par ordinateur pourraient être déployés pour gérer et contrôler les mauvaises herbes dans la ligne de culture. Les robots sont donc tenus de classer les mauvaises herbes avec une précision au niveau du pixel avec des taux de rappel élevés. Cet article présente un modèle de classification des mauvaises herbes au niveau du pixel utilisant des caractéristiques de motif binaire local uniforme (LBP) invariant par rotation. La conception du modèle est basée sur un ensemble avec une structure d'optimisation à deux niveaux. Le premier niveau s'appuie sur l'optimisation de l'algorithme génétique (GA) pour sélectionner les meilleures configurations LBP uniformes invariantes de rotation. Le deuxième niveau utilise la stratégie d'évolution d'adaptation de matrice de covariance (CMA-ES) dans l'ensemble du réseau neuronal (NN) pour sélectionner les meilleures combinaisons de poids de vote du résultat prédit pour chaque classificateur. Cette conception de modèle permet différentes entrées de caractéristiques sélectionnées par GA pour chacun des classificateurs NN de l'ensemble, contrairement aux ensembles classiques qui partagent les mêmes données d'entrée. Pour l'optimisation du poids d'ensemble, nous avons comparé l'évolution différentielle, l'optimisation des essaims de particules et la CMA-ES. Un ensemble de données publiques sur les images de champ de cultures / mauvaises herbes composé de 60 images de mauvaises herbes et de carottes au stade précoce de la vraie feuille a été utilisé pour la validation avec des travaux existants. Les résultats ont démontré que notre classificateur au niveau des pixels basé sur la LBP présente une excellente capacité prédictive avec un rappel et des scores F1 élevés par rapport à la littérature. Il a été constaté que l'ensemble optimisé CMA-ES donnait la meilleure configuration et démontrait une précision de classification de 87,9%, ce qui dépassait la classification statistique existante des caractéristiques de 85,9%. Cela met en évidence certaines potentialités pour la classification des mauvaises herbes au niveau des pixels LBP des circuits intégrés spécifiques à l'application basée sur la puce dans les applications d'agriculture intelligente.

In the early growth stages of young crops, weeds compete for living resources while often grow close together and with overlaps. Conventional weeding techniques such as mechanical weeding and herbicide application are not precision methods. To allow for high precision target and spraying of weeds, autonomous field robots equipped with computer vision systems could be deployed to manage and control the weeds in the crop line. The robots are therefore required to classify weeds at pixel-level accuracy with high recall rates. This paper presents a pixel-level weed classification model using rotation-invariant uniform local binary pattern (LBP) features. The model design is based on an ensemble with a two-level optimisation structure. The first-level leverages on Genetic Algorithm (GA) optimisation to select the best rotation-invariant uniform LBP configurations. The second level utilises covariance matrix adaptation evolution strategy (CMA-ES) in the Neural Network (NN) ensemble to select the best combinations of voting weights of the predicted outcome for each classifier. This model design allows for different feature inputs selected by GA for each of the NN classifiers in the ensemble, unlike classical ensembles which share the same input data. For ensemble weight optimisation, we compared differential evolution, particle swarm optimisation, and CMA-ES. A crop/weed field image dataset public dataset consisting of 60 images of weeds and carrots at early true leaf stage was used for validation with existing works. The results demonstrated that our LBP-based pixel-level classifier exhibits excellent predictive capability with high recall and F1 scores when compared to the literature. It was found that CMA-ES optimised ensemble gave the best configuration and demonstrated a classification accuracy of 87.9%, which exceeded the existing statistical feature classification of 85.9%. This highlights some potentialities for chip-based application-specific integrated circuit LBP pixel-level weed classification in smart agriculture applications.

None

• AB - Transversal
• FREDO adventice
• FREDO lutte
• FREDO machine, bâtiment et infrastructure
• détection
• robot

SN Computer Science

1

337

2020-10-13

13 octobre 2020

10.1007/s42979-020-00357-y Le DOI est une URL unique de référencement d'une publication. Il est donc plus fiable et permanent qu'une URL classique

2661-8907 L’ISSN est un code de 8 chiffres servant à identifier les journaux, revues, magazines, périodiques de toute nature et sur tous supports, papier comme électronique.