A Vision-Based Navigation System for Arable Fields

要約

耕作可能な畑における視覚ベースのナビゲーション システムは、農業用ロボットのナビゲーションにおいては未開発の領域です。
耕作可能な畑に導入されたビジョンシステムは、雑草密度の変動、照度レベルの変化、成長段階、作物の列の不規則性などの課題に直面しています。
現在のソリューションは作物固有のものであることが多く、照明や雑草の密度などの限られた個別の条件に対処することを目的としています。
さらに、包括的なデータセットが不足しているため、これらの分野をナビゲートするための汎用機械学習システムの開発が妨げられています。
この論文では、耕地における視覚ベースのナビゲーションに手頃な価格の視覚センサーを使用した、一連の深層学習ベースの知覚アルゴリズムを提案します。
最初に、複数の作物の季節、さまざまな作物の種類、およびさまざまな畑の変化の複雑さを捉える包括的なデータセットが編集されました。
次に、この研究では、さまざまな成長段階、雑草の密度、さまざまな照明などのさまざまな条件下で作物の列を正確に検出できる堅牢な内圃場認識アルゴリズムの作成について詳しく掘り下げます。
さらに、効率的な圃場規模のナビゲーションを実現するために、作物列追跡と視覚ベースの作物列切り替えの統合を調査します。
提案された内圃場ナビゲーション システムは、商業用耕作地で総距離 4.5 km を横断するテストが行​​われ、平均方位誤差とクロストラック誤差はそれぞれ 1.24{\deg} と 3.32 cm でした。

要約(オリジナル)

Vision-based navigation systems in arable fields are an underexplored area in agricultural robot navigation. Vision systems deployed in arable fields face challenges such as fluctuating weed density, varying illumination levels, growth stages and crop row irregularities. Current solutions are often crop-specific and aimed to address limited individual conditions such as illumination or weed density. Moreover, the scarcity of comprehensive datasets hinders the development of generalised machine learning systems for navigating these fields. This paper proposes a suite of deep learning-based perception algorithms using affordable vision sensors for vision-based navigation in arable fields. Initially, a comprehensive dataset that captures the intricacies of multiple crop seasons, various crop types, and a range of field variations was compiled. Next, this study delves into the creation of robust infield perception algorithms capable of accurately detecting crop rows under diverse conditions such as different growth stages, weed density, and varying illumination. Further, it investigates the integration of crop row following with vision-based crop row switching for efficient field-scale navigation. The proposed infield navigation system was tested in commercial arable fields traversing a total distance of 4.5 km with average heading and cross-track errors of 1.24{\deg} and 3.32 cm respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google