Parallel CPU-Based Processing for Automatic Crop Row Detection in Corn Fields

Pusdá-Chulde, Marco; Giusti, Armando Eduardo De; Herrera-Granda, Erick P.; García-Santillán, Iván

doi:10.1007/978-3-030-68080-0_18

Cited by 3 publications

(1 citation statement)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Las computadoras personales actuales utilizan procesadores con múltiples núcleos en un solo procesador, como principio fundamental de computación de alto rendimiento, este tipo de arquitecturas facilitan la sistematización de tareas que requieren alto esfuerzo computacional [4]. La utilización de HPC permite diseñar algoritmos de visión por computador, usando paralelismo sobre plataformas multiprocesador (multicore), lo que permite mejorar el rendimiento en el procesamiento de imágenes digitales en diferentes tareas agrícolas [5]- [7]. Las imágenes incluyen una gran cantidad de información y, por lo tanto, la mayoría de las técnicas de procesamiento y análisis de imágenes no son rápidas; la aceleración de estas técnicas es de gran importancia y vital para diferentes aplicaciones informáticas.…”

Section: Introductionunclassified

Segmentación de imágenes agrícolas adquiridas con drone mediante algoritmos paralelos

Ponce

Pusdá-Chulde

Ortega-Bustamante

2023

IDEAS

View full text Add to dashboard Cite

Las imágenes obtenidas con drones desde perspectiva vertical presentan información importante de los cultivos agrícolas, lo que permite sistematizar diversas actividades relacionadas con la agricultura de precisión (AP). Los algoritmos secuenciales desarrollados en lenguajes de programación tradicionales consumen tiempos y recursos de hardware altos en el procesamiento de imágenes digitales de grandes tamaños. Para reducir los tiempos de cómputo se desarrolló un algoritmo paralelo para segmentar imágenes utilizando la librería OpenMP. OpenMP es una librería compatible con lenguajes de programación de bajo nivel que permiten la implementación de algoritmos paralelos en lenguajes C o C++ en entornos Linux para arquitecturas multicore. El algoritmo secuencial para implementarlo mediante paralelismo fue necesario dividir en varias tareas más pequeñas y ejecutarlas en varios núcleos disponibles en procesadores multicore para mejorar la velocidad de procesamiento. Las métricas utilizadas (tiempo de ejecución, aceleración, eficiencia y costo computacional) permitieron evaluar el rendimiento de los algoritmos con imágenes de diferentes dimensiones obteniendo resultados favorables que verifica la mejora del algoritmo paralelo. La paralelización de algoritmos secuenciales muestra un importante reducción de los tiempos de ejecución (66.37%) con imágenes grandes y (74.73% ) con imágenes pequeñas utilizando el número máximo de núcleos (8)

show abstract

Section: Introductionunclassified

Segmentación de imágenes agrícolas adquiridas con drone mediante algoritmos paralelos

Ponce

Pusdá-Chulde

Ortega-Bustamante

2023

IDEAS

View full text Add to dashboard Cite

show abstract

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

Pusdá-Chulde

Robayo

Giusti

et al. 2021

Communications in Computer and Information Science

View full text Add to dashboard Cite

Row Detection BASED Navigation and Guidance for Agricultural Robots and Autonomous Vehicles in Row-Crop Fields: Methods and Applications

et al. 2023

View full text Add to dashboard Cite

Crop row detection is one of the foundational and pivotal technologies of agricultural robots and autonomous vehicles for navigation, guidance, path planning, and automated farming in row crop fields. However, due to a complex and dynamic agricultural environment, crop row detection remains a challenging task. The surrounding background, such as weeds, trees, and stones, can interfere with crop appearance and increase the difficulty of detection. The detection accuracy of crop rows is also impacted by different growth stages, environmental conditions, curves, and occlusion. Therefore, appropriate sensors and multiple adaptable models are required to achieve high-precision crop row detection. This paper presents a comprehensive review of the methods and applications related to crop row detection for agricultural machinery navigation. Particular attention has been paid to the sensors and systems used for crop row detection to improve their perception and detection capabilities. The advantages and disadvantages of current mainstream crop row detection methods, including various traditional methods and deep learning frameworks, are also discussed and summarized. Additionally, the applications for different crop row detection tasks, including irrigation, harvesting, weeding, and spraying, in various agricultural scenarios, such as dryland, the paddy field, orchard, and greenhouse, are reported.

show abstract

Parallel CPU-Based Processing for Automatic Crop Row Detection in Corn Fields

Cited by 3 publications

References 17 publications

Segmentación de imágenes agrícolas adquiridas con drone mediante algoritmos paralelos

Segmentación de imágenes agrícolas adquiridas con drone mediante algoritmos paralelos

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

Row Detection BASED Navigation and Guidance for Agricultural Robots and Autonomous Vehicles in Row-Crop Fields: Methods and Applications

Contact Info

Product

Resources

About