Key points are not available for this paper at this time.
قياس حجم الفواكه هو أمر ذو اهتمام كبير لتقدير المحصول والتنبؤ بموارد الحصاد مسبقًا. تقترح هذه العمل تقنية جديدة للكشف عن apples وقياسها في الحقل استنادًا إلى الشبكات العصبية العميقة. تم تدريب الإطار المقترح باستخدام بيانات RGB-D ويتكون من هندسة شبكة عصبية عميقة متعددة المهام مصممة خصيصًا لأداء المهام التالية: 1) الكشف وتجزئة كل فاكهة من محيطها؛ 2) تقدير قطر كل فاكهة مكتشفة. تم اختبار المنهجية مع إجمالي 15,335 تفاحة مطبوعة بسياقات نمو مختلفة، مع اختلافات في الأقطار تتراوح من 27 مم إلى 95 مم. أبلغت نتائج الكشف عن الفواكه عن نتيجة F1-score لكشف التفاح بلغت 0.88 ومتوسط خطأ مطلق في تقدير القطر بلغ 5.64 مم. هذه نتائج رائدة مع الميزات الإضافية التالية: أ) استخدام شبكة متعددة المهام قابلة للتدريب من النهاية إلى النهاية؛ ب) سرعة استنتاج فعالة وسريعة؛ و ج) الاعتماد على بيانات RGB-D التي يمكن الحصول عليها باستخدام كاميرات العمق القابلة للتحمل. على النقيض من ذلك، العيب الرئيسي هو الحاجة إلى وضع علامة على كميات كبيرة من البيانات مع أقنعة الفواكه وحقائق القطر لتدريب النموذج. أخيرًا، أظهر تحليل رؤية الفواكه تحسنًا في التنبؤ عند تحديد القياس للتفاح الذي يزيد عن 65% من الرؤية (متوسط خطأ مطلق 5.09 مم). وهذا يقترح أن الأعمال المستقبلية يجب أن تطور طريقة للتعرف التلقائي على التفاح الأكثر وضوحًا واستبعاد التنبؤ بالفواكه التي تغطيها بشكل كبير.
درس فيرير-فيرير وزملاؤه (سون) هذا السؤال.