Detection of Crop Lines and Weeds in Corn Fields Based on Images Obtained from a Drone

Pusdá-Chulde, Marco; Robayo, Adrian; Giusti, Armando Eduardo De; García-Santillán, Iván

doi:10.1007/978-3-030-84825-5_3

Cited by 3 publications

(2 citation statements)

References 18 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Target detection, an important technology in computer vision, is continuously improving UAV perception capabilities and image data analysis, facilitating the translation of UAV aerial photography into more applications in civilian and military fields, such as detecting weeds next to corn crops [21], for surveillance and search and rescue missions [22]. Deep learningbased target detection methods in the field of computer vision have achieved great success in the field of natural scenes, which is worthy of learning and reference for UAV target detection tasks, and many domestic and international studies have proposed improved algorithms with significant effects.…”

Section: Related Work 21 Uav Target Detection Based On Convolutional ...mentioning

confidence: 99%

Optimization research of UAV target detection algorithm based on deep learning

Zhang¹,

Wang²

2023

Third International Conference on Intelligent Computing and Human-Computer Interaction (ICHCI 2022)

View full text Add to dashboard Cite

With the rapid development of deep learning, UAV target detection technology based on computer vision and artificial intelligence has been widely used in practice. However, due to the instability of UAV movement, limited by load and endurance, the development of UAV target detection is slow, and there are challenges such as significant changes in target scale, occlusion between objects, and changes in target density. This paper builds on the network model structure of YOLOv5 to address these challenges. It adds a detection head generated from low-level feature layers and high-resolution combined feature maps to detect tiny objects. We utilize the Bifpn network structure and a weighted fusion splicing approach to fuse more features and introduce an improved Coordinate Attention to obtain location information for feature enhancement accurately. Extensive experiments on the Visdrone2021 dataset show that the model achieves good results in UAV target detection and is helpful for tiny and occluded target detection.

show abstract

Section: Related Work 21 Uav Target Detection Based On Convolutional ...mentioning

confidence: 99%

Optimization research of UAV target detection algorithm based on deep learning

Zhang¹,

Wang²

2023

Third International Conference on Intelligent Computing and Human-Computer Interaction (ICHCI 2022)

View full text Add to dashboard Cite

show abstract

“…Los drones cumplen múltiples funciones en la agricultura, como el mapeo de campos, monitoreo de los cultivos en lo que se refiere a presencia de plagas y/o enfermedades, la eficiencia de irrigación, y la aplicación de plaguicidas, entre otros. Adicionalmente, traen múltiples beneficios, como la aplicación precisa, localizada y en áreas de difícil acceso, una menor exposición del aplicador, ahorro de agua y tiempo, y el aumento de la productividad del agricultor (Bah et al, 2020;Costa et al, 2020;Mukherjee et al, 2019;Pusdá-Chulde, Robayo, et al, 2021;Vasudevan et al, 2016). En la Figura 3 se presenta el uso de drones para obtener fotografías de los cultivos agrícolas.…”

Section: Vehículos Aéreos No Tripulados (Drones)unclassified

Algoritmos para agricultura de precisión utilizando computación de alto rendimiento

Chulde¹

View full text Add to dashboard Cite

La agricultura de precisión (AP) automatiza actividades mediante la recopilación y análisis de datos agrícolas para la toma de decisiones con fines de mejorar la producción agrícola. En AP el procesamiento de imágenes digitales agrícolas implica realizar operaciones para obtener sus transformaciones en la sistematización de tareas agrícolas. El procesamiento de imágenes digitales requiere de varios recursos de cómputo, principalmente de tiempo y memoria; por ello, mediante la aplicación de paralelismo en procesadores heterogéneos con memoria compartida se pretende reducir el tiempo de ejecución con nuevos algoritmos. La obtención de imágenes sobre grandes extensiones de cultivos agrícolas es difícil para los agricultores de manera tradicional, aprovechando nuevos recursos tecnológicos como los vehículos aéreos no tripulados UAV- Unmanned Aerial Vehicle) más conocidos como drones es posible capturar fotografías digitales de alta calidad a diferentes alturas de sobrevuelo. Teniendo en cuenta las pérdidas económicas en la agricultura cada vez mayores debido a las malezas en los cultivos de maíz, se propone un algoritmo aplicando paralelismo mediante la metodología de Foster´s capaz de identificar líneas de cultivo y discriminar malezas. El algoritmo se ejecuta de manera paralela en una serie de pasos intermedios, que incluyen 4 particiones (segmentación, detección de líneas de cultivo, exclusión de cultivo, discriminación de malezas), en cada partición se aplica paralelismo de datos utilizando un procesador de 8 núcleos. Se utilizó Matlab como lenguaje de programación y herramientas orientadas al paralelismo local para análisis de imágenes adquiridas mediante un dron DJI Mavic 2 Pro con una resolución de 5472× 3648 a alturas de 5, 10 y 15 metros. Los resultados obtenidos demuestran que se puede identificar como mínimo líneas de cultivo (85%) y máximo de malezas (93.28%) del total de vegetación en la cuarta semana de seguimiento al cultivo a 15 metros de altura. Igualmente, con el algoritmo propuesto los tiempos de procesamiento evaluados en promedio alcanzan un rango entre 4.54 y 5.67 segundos con imágenes que alcanzan una extensión máxima de 160 metros cuadrados.

show abstract