Paradicsom hozamelőrejelzés technológiai lépései gépi látás segítségével
Open Access
- 12 July 2024
- journal article
- Published by Acta Agronomica Ovariensis in Acta Agronomica Óváriensis
- Vol. 65 (1) , 89-113
Abstract
A precíziós növénytermesztésben egyre több adatot mérünk, egyre több adatot gyűjtünk. Az adatgyűjtés végső célja, hogy valamilyen precíziós beavatkozást el tudjunk végezni. Tudjunk szabályozni bizonyos környezeti paramétereket adott szempontrendszer szerint optimálisan. A gyakorlatban is felhasználható eredményekhez szükségünk van a várható hozam minőségi és mennyiségi paramétereire, a betakarítás várható időpontjára. A monitoring során képződött adatokból bizonyos betegségek előrejelzését is tudjuk pontosítani, illetve s stresszhatásokat is felismerhetjük. Emellett olyan kérdésekre is igyekszünk választ adni, hogy szabályozható-e bizonyos minőségben a környezet és tudjuk-e optimalizálni a beavatkozási technológiákat? Jelen munkánknak az volt a célja, hogy meghatározzuk, milyen adatokat tudunk előállítani gépi látás segítségével képfeldolgozás útján. Igyekeztünk meghatározni, hogy a precíziós növénytermesztésben milyen adatok állhatnak rendelkezésünkre, mire alkalmazhatjuk a képfeldolgozási megoldásokat és a gépi látást. Vannak olyan szenzorok, amelyek direkt adatokkal szolgáltatnak és vannak olyanok, amelyek adataiból indexeket vagy konkrét transzformációk útján nyerünk feldolgozható információkat. Célkitűzésünk ezen technológiák áttekintése, hogy a gépi látás témakörében elmélyedve konkrét adatokat és információkat nyerjünk ki, amelyek már a precíziós beavatkozást lehetővé teszik.Keywords
This publication has 28 references indexed in Scilit:
- Recent advances in convolutional neural networksPattern Recognition, 2018
- Mature Tomato Fruit Detection Algorithm Based on improved HSV and Watershed AlgorithmIFAC-PapersOnLine, 2018
- Determining quality and maturity of pomegranates using multispectral imagingJournal of the Saudi Society of Agricultural Sciences, 2017
- Hand vein recognition based on PCETOptik, 2016
- Computer Vision Based Fruit Grading System for Quality Evaluation of Tomato in Agriculture industryProcedia Computer Science, 2016
- Orange Sorting by Applying Pattern Recognition on Colour ImageProcedia Computer Science, 2016
- Mapping the three-dimensional variation of soil salinity in a rice-paddy soilGeoderma, 2013
- Abscission Point Extraction for Ripe Tomato Harvesting RobotsIntelligent Automation and Soft Computing, 2012
- Neural network modeling of greenhouse tomato yield, growth and water use from automated crop monitoring dataComputers and Electronics in Agriculture, 2011
- Measuring Ripening of Tomatoes Using Imaging Spectrometry2010