A carregar...
Publicação
Automatic counting and georeferencing of fruits from video
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 9.32 MB | Adobe PDF |
Orientador(es)
Resumo(s)
As the world population grows, so does food consumption and consequently the need
for more efficient food production. Agricultural producers benefit from new technologies
that keep up with these needs. Therefore, a proposal for counting and georeferencing
fruits in an automated and accurate way is presented. This study was focused on apple
fruit. However, the methods can be applied to other fruits.
Since the technique explored in this dissertation is video-based, for the sake of efficiency
and easy access to tools, certain challenges arise, such as lighting at the recording location,
camera angle, and the specific appearance of different types of fruit. These variables bring
difficulties to the process of developing the technology described.
The proposed approach to solving these challenges involves the development of a
system that uses computer vision techniques in conjunction with methods for detecting,
tracking, counting, and georeferencing fruit in video. This system was built using artificial
intelligence methods, trained by a dataset consisting of images and videos of fruits collected
in orchards.
The best video fruit counting results were obtained using the YOLOv8 detection model
with the BotSORT tracking system, which presented an accuracy of 87% compared to the
estimated number of apples indicated by producers.
The main result obtained was the exploration and analysis of new techniques that
make the counting process more efficient, using previously performed research. The
development of this project sought to deepen the knowledge of this type of methods in
order to contribute to the future development and implementations of this technology.
A população mundial encontra-se em crescimento, resultando num maior consumo de comida e na consequente necessidade de maior eficiência da sua produção. Os produtores agrícolas beneficiam de novas tecnologias que acompanhem estas necessidades. Para tal, é apresentada uma proposta de contagem e georeferenciação de frutos, de forma precisa e automatizada. Este estudo é focado principalmente em maçãs. No entanto, estes métodos podem ser aplicados a qualquer fruto. Visto que a técnica explorada neste projeto baseia-se em vídeo, por uma questão de eficiência e acesso a ferramentas, surgem certos desafios como luminosidade no local de filmagem, ângulo da câmara e a aparência específica de diferentes tipos de fruto. Estas variáveis dificultam o processo de desenvolvimento da tecnologia descrita. A abordagem proposta para solucionar estes desafios implica o desenvolvimento de um sistema que utilize técnicas de visão computacional em conjunto com técnicas de deteção, rastreamento, contagem e georeferênciação de frutos em vídeo. Este sistema foi construído através de métodos de inteligência artifical, treinados por um conjunto de dados composto por imagens e vídeos de frutos, coletados em plantações. Os melhores resultados da contagem de frutos em vídeo foram obtidos utilizando o modelo de deteção YOLOv8 com o sistema de rastreio BotSORT, que apresentou uma precisão de 87% face ao número estimado de maçãs indicado pelos produtores. O principal resultado obtido foi a exploração e análise de novas técnicas que permitam tornar o processo de contagem mais eficiente, utilizando investigações anteriormente realizadas. O desenvolvimento deste projeto procurou aprofundar este tipo de métodos, de forma a contribuir para o futuro desenvolvimento e implementações desta tecnologia.
A população mundial encontra-se em crescimento, resultando num maior consumo de comida e na consequente necessidade de maior eficiência da sua produção. Os produtores agrícolas beneficiam de novas tecnologias que acompanhem estas necessidades. Para tal, é apresentada uma proposta de contagem e georeferenciação de frutos, de forma precisa e automatizada. Este estudo é focado principalmente em maçãs. No entanto, estes métodos podem ser aplicados a qualquer fruto. Visto que a técnica explorada neste projeto baseia-se em vídeo, por uma questão de eficiência e acesso a ferramentas, surgem certos desafios como luminosidade no local de filmagem, ângulo da câmara e a aparência específica de diferentes tipos de fruto. Estas variáveis dificultam o processo de desenvolvimento da tecnologia descrita. A abordagem proposta para solucionar estes desafios implica o desenvolvimento de um sistema que utilize técnicas de visão computacional em conjunto com técnicas de deteção, rastreamento, contagem e georeferênciação de frutos em vídeo. Este sistema foi construído através de métodos de inteligência artifical, treinados por um conjunto de dados composto por imagens e vídeos de frutos, coletados em plantações. Os melhores resultados da contagem de frutos em vídeo foram obtidos utilizando o modelo de deteção YOLOv8 com o sistema de rastreio BotSORT, que apresentou uma precisão de 87% face ao número estimado de maçãs indicado pelos produtores. O principal resultado obtido foi a exploração e análise de novas técnicas que permitam tornar o processo de contagem mais eficiente, utilizando investigações anteriormente realizadas. O desenvolvimento deste projeto procurou aprofundar este tipo de métodos, de forma a contribuir para o futuro desenvolvimento e implementações desta tecnologia.
Descrição
Palavras-chave
Computer vision Object detection Object tracking Georeferencing Kalman Filter algorithm Hungarian algorithm