Adnotare cu casetă de delimitare pentru detectarea fructelor în agricultură
Cum a oferit Shaip adnotări precise de tip „bounding box” pentru fiecare imagine vizibilă din livadă — acoperind întregul ciclu de creștere, captura din mai multe perspective și atribute de condiție pe 3 straturi — construite ca un set de date de nivel de producție pentru estimarea randamentului, recoltarea robotizată și inteligența artificială pentru sănătatea culturilor.
rezumatul proiectului
Pe măsură ce agricultura de precizie se îndreaptă către recoltarea și predicția randamentului bazate pe inteligență artificială, clientul avea nevoie de o rețea de adnotări capabilă să detecteze fructele individuale la scară largă în imagini dense și aglomerate din punct de vedere natural ale livezilor — acoperind fiecare etapă de creștere, de la înflorire până la recoltare.
Shaip a construit canalul de adnotare complet, acoperind plasarea precisă a casetelor de delimitare per fruct, etichetarea condițiilor cu atribute multiple, gestionarea imaginilor din perspective multiple și asigurarea calității pe două niveluri — producând seturi de date pregătite pentru modele pentru IA în agricultura de precizie la scară largă.
Statistici cheie
Pragul de precizie
99%
Etape de creștere
Ciclu complet
Straturi de atribute
3
Perspective
Sol + Dronă
Activități
- Adnotarea fiecare măr vizibil în imagini dense de livezi — sute pe cadru
- Care acoperă ciclul complet de creștere — floare, fructe mici verzi, mere complet coapte
- Manipularea imagini multi-perspective — la nivelul solului, dronă deasupra capului, prim-plan al unei ramuri
- Distingător fructe din frunziș când culorile se amestecă în primele etape de creștere
- De conducere ocluzie, parțială și afectată de strălucire fructe fără a compromite precizia
Soluţie
Plasarea casetei de delimitare per fruct
Adnotatorii au desenat chenaruri delimitatoare strânse în jurul fiecărui măr vizibil din fiecare imagine, indiferent de dimensiune, stadiul de culoare sau poziția în cadru. Chiar și în ciorchini denși unde zeci de fructe se suprapuneau, fiecare a fost etichetat individual pentru a susține numărarea fructelor în aval și modelele de estimare a randamentului.
Acoperire completă a ciclului de creștere
Adnotările au acoperit merele în toate etapele de creștere - de la înflorirea timpurie și fructele verzi mici, până la merele roșii și galbene complet coapte. Această acoperire a întregului ciclu asigură că modelul antrenat poate detecta fructele în orice moment al ciclului agricol, nu doar la recoltare.
Imagini multi-perspective
Au fost incluse imagini surprinse de pe rândurile de livezi de la nivelul solului, imagini cu drone de deasupra capului și fotografii de prim-plan ale crengilor, ceea ce face ca setul de date să fie extrem de divers și reprezentativ pentru implementarea în lumea reală. Fiecare perspectivă a primit instrucțiuni de adnotare specifice fiecărei perspective.
Clasificarea atributelor pe 3 straturi
Fiecare măr adnotat a fost clasificat în continuare cu atribute care acoperă stadiul de coacere (necopt, semicopt, complet copt), starea de vizibilitate (complet vizibil, parțial ocluz, puternic ocluz) și starea fructului (sănătos, deteriorat, bolnav). Această abordare cu atribute multiple permite modelului antrenat să evalueze gradul de pregătire pentru recoltare și sănătatea culturilor, alături de detectarea fructelor.
Manipularea cazurilor marginale
Adnotatorii au urmat instrucțiuni stricte pentru merele parțial scoase din cadru, merele pe pământ, suprafețele reflectorizante sau lucioase ale fructelor care cauzează artefacte de strălucire și fructele mici îndepărtate care necesită identificare la nivel de zoom. Variabilitatea iluminării - în special umbrele coronamentului - a fost gestionată prin reguli de adnotare ținând cont de perspectivă.
Domeniul de aplicare al proiectului
| Tipul setului de date | Ţintă | Etape de creștere | Perspective | Atribute | Acuratețe |
|---|---|---|---|---|---|
| Detectarea fructelor agricole | mere | Ciclu complet (înflorire → copt) | Sol + dronă + prim-plan | Coacere, vizibilitate, stare | 99% |
Rezultate
- Înființat a conductă de tip cutie de delimitare pentru livezi dense capabil să detecteze fiecare fruct vizibil
- standardizat acoperire completă a adnotărilor ciclului de creștere de la înflorire la recoltă
- Livrat Clasificarea atributelor pe 3 straturi pentru coacere, vizibilitate și stare
- Menținut Poartă cu precizie de 99% prin QC pe două niveluri în imagini din perspective multiple
- A activat clientul estimarea randamentului, recoltarea robotizată, sănătatea culturilor și supravegherea cu drone AI
Per total, Shaip a contribuit la transformarea unei cerințe de detectare a fructelor la scară livadă într-o conductă de adnotare structurată, pregătită pentru producție - una capabilă să sprijine agricultura de precizie, recoltarea robotizată, predicția randamentului și monitorizarea sănătății culturilor prin inteligență artificială în diverse medii livadice și cicluri de creștere.
Shaip a adnotat mere pe care nici măcar nu le puteam deosebi de frunze în unele cadre. Stadiul lor de creștere și etichetarea stării lor au contribuit direct la estimarea randamentului și la modelele noastre de planificare a recoltei.
