COMPUTER VISION SYSTEM FOR DETECTING ORCHARD TREES FROM UAV IMAGES
Notice bibliographique
Résumé
Abstract. Orchard tree inventory plays an important role in acquiring up-to-date information on planted trees for effective treatments and crop insurance purposes. Determining tree damage could help assess orchards’ health faster and cheaper. Having accurate information on the tree’s status could also help managers to plan necessary fieldwork and predict productivity. Traditional orchard inventory is often performed manually, and thus is time-consuming, costly, and subject to error. An alternative is computer vision algorithms that could automatically detect orchard trees based on UAV imagery. The objective of this study is to develop a method using advanced computer vision algorithms to automatically detect apple trees on UAV multispectral images. This task is challenging since apple trees are overlapping over the UAV images, and hence distinguishing different crowns could be difficult. Motivated by the latest advances in UAV imagery and deep-learning models, addressed the tree detection problem by exploring the two CNN models YOLO (You Only Look Once) and DeepForest for detecting apple trees on UAV images. We first constructed a labelled dataset by dividing the study area into equally sized patches. Then we manually annotated all apple trees seen in RGB images. The annotated dataset was then randomly divided into three subsets (training, validation, and testing), for training and testing machine learning models. The performed experiments demonstrate the efficiency and validity of the proposed approach for orchard tree inventory. In particular, the proposed framework achieved a precision of 91% and an F1-score of 87% by adopting the DeepForest model for tree detection.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».