Umeå universitets logga

umu.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
PointNet and geometric reasoning for detection of grape vines from single frame RGB-D data in outdoor conditions
Centre for Applied Autonomous Sensor Systems, Örebro University, Örebro, Sweden.ORCID-id: 0000-0003-4685-379X
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för datavetenskap.ORCID-id: 0000-0002-4600-8652
Department of Industrial Engineering and Management, Ben-Gurion University of the Negev, Beer Sheva, Israel.ORCID-id: 0000-0001-6265-4497
Centre for Applied Autonomous Sensor Systems, Örebro University, Örebro, Sweden.ORCID-id: 0000-0002-2953-1564
2020 (Engelska)Ingår i: Proceedings of the Northern Lights Deep Learning Workshop, Septentrio Academic Publishing , 2020, Vol. 1, s. 1-6Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

In this paper we present the usage of PointNet, a deep neural network that consumes raw un-ordered point clouds, for detection of grape vine clusters in outdoor conditions. We investigate the added value of feeding the detection network with both RGB and depth, contradictory to common practice in agricultural robotics of relying on RGB only. A total of 5057 pointclouds (1033 manually annotated and 4024 annotated using geometric reasoning) were collected in a field experiment conducted in outdoor conditions on 9 grape vines and 5 plants. The detection results show overall accuracy of 91% (average class accuracy of 74%, precision 53% recall 48%) for RGBXYZ data and a significant drop in recall for RGB or XYZ data only. These results suggest the usage of depth cameras for vision in agricultural robotics is crucial for crops where the color contrast between the crop and the background is complex. The results also suggest geometric reasoning can be used for increased training set size, a major bottleneck in the development of agricultural vision systems.

Ort, förlag, år, upplaga, sidor
Septentrio Academic Publishing , 2020. Vol. 1, s. 1-6
Nyckelord [en]
RGBD, Deep-learning, Agricultural robotics, outdoor vision, grape
Nationell ämneskategori
Datorseende och robotik (autonoma system) Annan lantbruksvetenskap
Forskningsämne
Datavetenskap
Identifikatorer
URN: urn:nbn:se:umu:diva-177113DOI: 10.7557/18.5155OAI: oai:DiVA.org:umu-177113DiVA, id: diva2:1504352
Konferens
3rd Northern Lights Deep Learning Workshop, Tromsö, Norway, January 19-21, 2020.
Tillgänglig från: 2020-11-27 Skapad: 2020-11-27 Senast uppdaterad: 2022-08-24Bibliografiskt granskad

Open Access i DiVA

fulltext(8510 kB)248 nedladdningar
Filinformation
Filnamn FULLTEXT02.pdfFilstorlek 8510 kBChecksumma SHA-512
3603480e73e287ae2bf7277cbb7465b7772d6844201e9bb769c7c3ce005dbf34444f9a703fbc74a609d1e7f901e9641d3d5c29e6f19084044d19d80d21e35bc7
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltext

Person

Kurtser, PolinaRingdahl, OlaAndreasson, Henrik

Sök vidare i DiVA

Av författaren/redaktören
Kurtser, PolinaRingdahl, OlaRotstein, NatiAndreasson, Henrik
Av organisationen
Institutionen för datavetenskap
Datorseende och robotik (autonoma system)Annan lantbruksvetenskap

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 249 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 384 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf