利用AI清除杂草,多光谱相机如何让农业变得智能收藏

网友投稿 350 2024-01-18


近年来,精准农业或者说智能农业迎来了飞速发展如何更快捷地清除杂草或野生植物在智能农业中变得越来越重要杂草,对农作物来说是有害的无节制生长的杂草将消耗大量养分、水分,占据土壤空间,从而限制农作物的生长传统除草方法是首先假设杂草均匀地分布在农田的情况下,使用除草剂。

利用AI清除杂草,多光谱相机如何让农业变得智能收藏

但事实上,所有的农田中,杂草都是随机分布的,钻空子式生长的于是乎,在农田中随机检测杂草就变成了一项具有挑战性的任务当然,得益于机器人技术和机械工程方面取得的进展,远程控制的机械车辆如今能够使用机器人手臂精确地清除杂草。

但这种系统的缺点是,仍然需要通过人工监控来控制车辆、识别杂草并指导机器人将杂草从农田中清除

机器视觉深度学习和人工智能等领域近期取得了多项进展,这使得除草系统能够在无需人工干预的情况下高效地开展工作即“智能”过程的两个方面(图像信息数据的捕捉和基于这些数据的决策)都得到很好的解决,才能实现这一目标。

若想让人工智能系统确定是否从地面移除一个对象(杂草),它首先需要的能力不仅是用光学方式识别对象,而且需要能够分辨该对象是杂草还是农作物杂草和农作物通常具有不同的光谱特征,因此多光谱相机可以通过确保光学传感器提供正确辨别种类的图像来实现准确分类,从而帮助系统成功地清除杂草。

为了帮助机器进行学习,机器视觉相机为其提供场景的实时图像其最大的优点,在于即使用低成本简化型的光学传感器,也可以满足我们在光谱数据上的像素需求但另一方面,机器视觉相机所面临的课题是:如何使用有限的波长区域内,为除草应用提供更多的光谱数据。

一种可能的多光谱应用场景是,在多个机器视觉摄像机上使用光学滤波器来获得所需的光分离,但是由于复杂的光学校准组件和复杂的数据处理,以及不断增加的成本,这种类型的系统变得异常困难特别是除草是一种户外作业,因此光学系统的稳固性至关重要。

在这样一个具有挑战性的环境中,使用多个可实现良好光学校准的相机组件非常不符合实际各种光谱图像在光学校准中的任何干扰都可能导致不准确的机器学习,进而影响人工智能过程的有效性除草过程所需的波段区间,取决于所使用的深度学习/人工智能的方法。

基于RGB图像的系统使用由RGB灰度组成的相对颜色指数但是,如果只使用RGB通道,可能造成人工智能过程对叶片方向、日光影响、植物纹理、阴影和冠层覆盖不那么敏感将RGB和NIR波长进行结合对NDVI(植被指数)分析更有用,因为在NDVI分析中,可以通过测量红色和NIR反射率的比值来区分杂草和农作物。

土壤和死亡植物的背景反射率也可基于RGB-NIR波长组合的深度学习辨别

JAI的棱镜式相机能在多个传感器之间提供高精度光学校准,对于这些传感器,除RGB外,还可以选择一个或两个额外的NIR波段这使得无人驾驶除草车辆可以使用完全相同的场景,从单个光学平面捕获多光谱的图像最新一代的棱镜式多光谱相机具有很强的稳固性,可以有效应对农业环境中的冲击、振动和温度条件,并具有高速10GigE接口,能够根据给定时间内可覆盖的农场面积,提供高吞吐量。

此外,相机的高帧速率或行频在人工智能过程中也发挥着非常重要的作用这是因为用于机器学习的神经网络对所分析数据量的任何变化都非常敏感高速相机可减少外部光线的影响,如阳光或一般日光条件对图像整体质量的影响在后端,人工智能工作流程通常连接到嵌入式处理单元(如Nvidia Jetson Xavier),如果相机设备不支持USB、MiPi-CSI或1GigE接口,则可以使用接口板(从PCIe gen4到10GigE)将处理单元连接到相机设备。

版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。

上一篇:电动车纷纷走向传感器融合,图像传感器依然是最佳选择收藏
下一篇:使用高速多光谱成像进行药物质量检验收藏
相关文章

 发表评论

暂时没有评论,来抢沙发吧~