Deep learning-based Crop Row Detection for Infield Navigation of Agri-Robots

要約

農業環境における自律的なナビゲーションは、耕作可能な田畑で生じるさまざまな圃場条件によって課題が生じます。
このような環境における自律ナビゲーションのための最先端のソリューションには、RTK-GNSS などの高価なハードウェアが必要です。
この論文では、安価なカメラを使用して、このような圃場の変動に耐える堅牢な作物列検出アルゴリズムを紹介します。
作物列検出用の既存のデータセットは、考えられるすべての圃場変動を表しているわけではありません。
テンサイ画像のデータセットは、複数の成長段階、光レベル、さまざまな雑草密度、湾曲した作物列、不連続な作物列で構成される 11 の圃場のバリエーションを表すように作成されました。
提案されたパイプラインは、深層学習ベースの方法を使用して作物列をセグメント化し、新しい中央作物列選択アルゴリズムを使用して中央作物の抽出に予測セグメンテーション マスクを使用します。
新しい作物列検出アルゴリズムは、作物列検出パフォーマンスと作物列に沿った視覚的サーボ機能についてテストされました。
視覚的なサーボベースのナビゲーションは、実際の地面と植物のテクスチャを使用した現実的なシミュレーション シナリオでテストされました。
当社のアルゴリズムは、困難な圃場条件において、ベースラインを上回る堅牢なビジョンベースの作物列検出を実証しました。

要約(オリジナル)

Autonomous navigation in agricultural environments is challenged by varying field conditions that arise in arable fields. State-of-the-art solutions for autonomous navigation in such environments require expensive hardware such as RTK-GNSS. This paper presents a robust crop row detection algorithm that withstands such field variations using inexpensive cameras. Existing datasets for crop row detection does not represent all the possible field variations. A dataset of sugar beet images was created representing 11 field variations comprised of multiple grow stages, light levels, varying weed densities, curved crop rows and discontinuous crop rows. The proposed pipeline segments the crop rows using a deep learning-based method and employs the predicted segmentation mask for extraction of the central crop using a novel central crop row selection algorithm. The novel crop row detection algorithm was tested for crop row detection performance and the capability of visual servoing along a crop row. The visual servoing-based navigation was tested on a realistic simulation scenario with the real ground and plant textures. Our algorithm demonstrated robust vision-based crop row detection in challenging field conditions outperforming the baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google