Sensing technologies for precision specialty crop production

Lee, Won Suk; Alchanatis, V.; Yang, Chenghai; Hirafuji, Masayuki; Moshou, Dimitrios; Li, C.

doi:10.1016/j.compag.2010.08.005

Cited by 447 publications

(241 citation statements)

References 287 publications

Supporting

Mentioning

223

Contrasting

Unclassified

Order By: Relevance

Section: B) Visão De Máquina E Termografia Para Detecção De Linhas Deunclassified

“…Imagens RGB estão relacionadas com o pigmento absorvido (composição química), imagens NIR estão relacionadas com a dispersão (estrutura geométrica celular) e imagens TIR estão relacionadas com propriedades termodinâmicas, emissividade e situação do arredor (LEE et al, 2010;TABILE, 2012 Figura 3.8: Imagens multimodais registradas de folhas de macieiras, apresentando sete níveis de patógenos que causam irregularidades na superfície, 21 dias após inoculação. Os níveis de infecção estão classificados de acordo com a escala de notação visual (1: 0-1%, 2: 1-5%, 3: 5-10%, 4: 10-25%, 5: 25-50%, 6: 50-75%, 7: 75-100%).…”

Section: -Imagens Por Termografia óPticaunclassified

“…Para tal, os recursos usados nestas funções incluem conjunto de sensores exteroceptivos, visão de máquina (monocular, correspondência estéreo, omnidirecional), sistemas de informação geográfica, acesso remoto aéreo multiespectral, imagens com gradação térmica, variabilidade do ambiente, entre outros (ADRIAN, et al, 2005;CORWIN & PLANT, 2005;HATFIELD et al, 2008;SCHELLBERG et al, 2008;LEE et al, 2010;AHAMED et al, 2011;AQEEL UR et al, 2011;TABILE, 2012).…”

Section: A Multidisciplinaridade Formada Pelas áReas Que Englobam a Tunclassified

Section: -Imagens Por Termografia óPticaunclassified

“…São suscetíveis a variação de fatores físicos (sombras, reflexão, oclusão, variação da luminosidade) em ambiente externos durante a aquisição, mas técnicas de processamento de 59 imagens são usadas para solucionar problemas intrínsecos à lavoura, como detecção de plantas invasoras, detecção de linhas de plantio para navegação e guiagem autônomas, detecção de culturas, colheita automatizada e estimativa de produção. (NIEUWENHUIZEN et al, 2007;LULIO, TRONCO & PORTO, 2009a;2009b;2010;LEE et al, 2010).Trabalhos que realizam a detecção de plantas invasoras operam em modelos de interceptação da luz para diferenciar a presença ou a ausência de uma planta no solo, ou a recorrência a métodos probabilísticos de reconhecimento de padrões, usando parâmetros de refletância no espectro visível e não visível, textura, cor, formato geométrico e posição das plantas na imagem. São duas linhas de pesquisa que tratam deste assunto, como a diferenciação de plantas invasoras da cultura de interesse (verificação das características de ambas as plantas), e a identificação da planta invasora na seleção de herbicida e dosagem adequados (relação de características entre um conjunto maior de plantas) (NIEUWENHUIZEN et al, 2007;TILLETT et al, 2008).…”

unclassified

See 4 more Smart Citations

Fusão sensorial por classificação cognitiva ponderada no mapeamento de cenas naturais agrícolas para análise quali-quantitativa em citricultura

Lulio¹

View full text Add to dashboard Cite

Computer systems are used in Precision Agriculture (PA) to provide relational sampling, accuracy and data processing required for agricultural practices and schemes, which are not common to conventional agriculture, demanding higher costs of production and research directed to the remote sensing for mapping and inspection of crop rows. Tasks are carried out using a priori On-the-Go sensors, and proprioceptive and exteroceptive ones, embedded instrumentation, geographic information and existing implements on production and farming, which these activities ensure during the steps of planting, maturation, maintenance and harvesting of a particular culture. Also, these tasks are aided with the use of terrestrial agricultural mobile robots such as autonomous vehicle platforms for locomotion between the crop rows in the acquisition of field data. Given this information and relating the investment and development of these technologies, the goal of this work is to assist the inspection, quantification and qualification of agricultural crops (citrus) of planting area through analyzing and identifying data for sensor fusion, associated with digital image processing, optical thermal imaging and optical flow sensors and reflectance, based on the extraction of real natural scenes objects, identifying items such as fruits, grasses, stems, branches and leaves, thus providing a qualitative and quantitative set of data analyzed culture. As of a computer vision system and sensor fusion, Gigabit Ethernet cameras, sonars, thermal camera, infrared optical flow sensors and monochrome CMOS sensors are embedded in two sides of the vehicle structure, with the same geometric center ratio of the agricultural mobile robot. After data acquisition, image and signal processing techniques are applied for non homogeneous region segmentation, and pattern recognition through statistical classifiers. Such techniques are programmed in MATLAB and OpenCV, embedded in a computer platform. Cognitive classifiers that perform pattern and classes matching are intended on a combination of weighted data fusion techniques, that during locomotion of the agricultural mobile robot, the steps of image processing and combination of parameters for classification are manipulated for analysis retrospectively, conflicting existing data with likely changes resulting in culture and biomass. Figura 3.6: Na sequência de imagens acima, da esquerda para direita tem-se a imagem visível, imagem NIR e imagem UVFL; na sequência de imagens abaixo, da esquerda para direita temse a imagem do fruto com irregularidade, segmentação usando CART, e segmentação usando LDA (Adaptado de BLASCO et al., 2007b) Figura 3.7: Etapas de segmentação e classificação, considerando o índice de diferença normalizado, o filtro de variância, componentes Cb e Cr, e inserção de rótulo no objeto encontrado, separado do plano de fundo (PAYNE et al., 2013) Figura 3.8: Imagens multimodais registradas de folhas de macieiras, apresentando sete níveis de patógenos que causam irregularidades na superfície, 21 d...

show abstract

Section: B) Visão De Máquina E Termografia Para Detecção De Linhas Deunclassified

Section: -Imagens Por Termografia óPticaunclassified

Section: A Multidisciplinaridade Formada Pelas áReas Que Englobam a Tunclassified

Section: -Imagens Por Termografia óPticaunclassified

unclassified

See 3 more Smart Citations

Fusão sensorial por classificação cognitiva ponderada no mapeamento de cenas naturais agrícolas para análise quali-quantitativa em citricultura

Lulio¹

View full text Add to dashboard Cite

show abstract

Weed Management in Pearl Millet: Challenges and Opportunities

Kumar,

Tugoo,

Jha

et al. 2024

Agronomy Monographs

View full text Add to dashboard Cite

Near‐infrared spectroscopy and deep neural networks for early common root rot detection in wheat from multi‐season trials

Xiong,

McCarthy,

Humpal

et al. 2024

Agronomy Journal

View full text Add to dashboard Cite

In Australia, the soil‐borne disease common root rot (Bipolaris sorokiniana) (CRR) in wheat (Triticum aestivum L.) leads to substantial yield losses, yet has limited visible aboveground symptoms, making detection and identification labor intensive. Near‐infrared (NIR) spectroscopy offers an early potential identification solution for CRR in wheat and has previously been reported with success for crop disease detection. This study investigated the ability of nondestructive NIR spectroscopy in combination with deep neural networks (DNN), logistic regression (LR), and principal component analysis combined with support vector machines (PCA‐SVM) for early‐stage CRR detection in wheat. NIR spectra of five different wheat varieties with varying resistance to CRR were collected in two seasons of glasshouse and three seasons of field trials using a portable spectrometer. Results demonstrated that DNN outperformed LR and PCA‐SVM, achieving 66%–91% average classification accuracy in glasshouse trials and an average accuracy of 73% with up to 87% in field trials, effectively distinguishing inoculated and non‐inoculated wheat plants from seedling to anthesis stages. Validation with a third season of field data achieved an average of 77% accuracy for the most susceptible variety during the stem elongation stage. NIR reflectance within 1600–1700 nm was identified as most important for estimating CRR presence, with initial detection occurring 35 days after sowing (DAS) in the glasshouse and 46 DAS in the field. In conclusion, a NIR spectrometer with a DNN model successfully performed disease classification, with the potential as a portable early disease detection tool to assist farm management decisions.

show abstract

Sensing technologies for precision specialty crop production

Cited by 447 publications

References 287 publications

Fusão sensorial por classificação cognitiva ponderada no mapeamento de cenas naturais agrícolas para análise quali-quantitativa em citricultura

Fusão sensorial por classificação cognitiva ponderada no mapeamento de cenas naturais agrícolas para análise quali-quantitativa em citricultura

Weed Management in Pearl Millet: Challenges and Opportunities

Near‐infrared spectroscopy and deep neural networks for early common root rot detection in wheat from multi‐season trials

Contact Info

Product

Resources

About