Feature-based visual tracking for agricultural implements
Notice bibliographique
Résumé
Systems which utilize implement-mounted cameras for machinery feedback, such as row crop cultivators and sectional sprayers, can be upgraded to provide high-accuracy ground speed and tracking data using visual tracking algorithms. Vector data produced by visual tracking can be incorporated into control systems to compensate for implement dynamics in complement with RTK-GNSS receivers and other sensors. Variations of the SURF, SIFT, and ORB feature-descriptor algorithms were evaluated using a dataset of 640×480 pixel videos on six surfaces (gravel, asphalt, grass, seedlings, residue, and pasture) for speeds from 1 to 5 m/s. Feature-descriptor matching of consecutive video frames was tested using two methods of the k-Nearest Neighbors (kNN) algorithm: (1) 1NN with cross-checking, and (2) 2NN with the ratio-test. Ground speed and tracking direction were calculated using a fast histogram filter to reject outliers between frames. Compared to RTK-GNSS, ORB with CLAHE pre-processing (CLORB) and 1NN cross-checking was found to be the most robust with respect to real-time applications. For 95% of measurements, CLORB achieved an error of 0.23 m/s. Similar accuracy was achieved with SURF, U-SURF, and SIFT, but CLORB was capable of producing vector data in real-time (approximately 25 Hz), whereas SURF, U-SURF, and SIFT were only capable of 15 Hz or less.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».