A System for Weeds and Crops Identification Based on Convolutional Neural Network

Łukasz Chechliński , Barbara Siemiątkowska , Michał Majewski

Abstract

This paper presents an early step towards an autonomous weeding system. The system is based on the Deep Convolutional Neural Network (Deep ConvNet, CNN). CNNs reached state-of-the-art results in many computer vision tasks. However, their effectiveness is strongly related to the network architecture, as well as quality and quantity of the training data, and the data collection is a time-consuming process. In this paper, we will present how to find the first approximation of the network architecture and the data quantity, based on two sequences of 100 crop images. The obtained accuracy level equals to 96-98%. The presented approach will be used to train and test the CNN on larger datasets in the future work.
Author Łukasz Chechliński (FM / IACR)
Łukasz Chechliński,,
- The Institute of Automatic Control and Robotics
, Barbara Siemiątkowska (FM / IACR)
Barbara Siemiątkowska,,
- The Institute of Automatic Control and Robotics
, Michał Majewski
Michał Majewski,,
-
Pages193-202
Publication size in sheets0.5
Book Szewczyk Roman, Zieliński Cezary, Kaliczyńska Małgorzata (eds.): Automation 2018: Advances in Automation, Robotics and Measurement Techniques, Advances in Intelligent Systems and Computing, vol. 743, 2018, Springer International Publishing AG , ISBN 978-3-319-77178-6, 795 p., DOI:10.1007/978-3-319-77179-3
Keywords in Polishautomatyczne odchwaszczanie, sieci konwolucyjne, robotyka w rolnictwie
Keywords in Englishautomated weeding, ConvNet, agricultural robotics
Abstract in PolishNiniejsza praca prezentuje pierwsze kroki powstawania autonomicznego systemu odchwaszczania upraw. System został oparty na głębokich sieciach konwolucyjnych (ang. Deep Convolutional Neural Network w skrócie CNN). Sieci te osiągają obecnie najlepsze rezultaty w wielu zadaniach widzenia maszynowego. Jednakże efektywność ich działania jest ściśle związana z architekturą sieci oraz jakością i rozmiarem bazy treningowej. Należy pamiętać o tym, że zebranie bazy jest zadaniem bardzo czasochłonnym. W niniejszej pracy zaprezentowano znalezienie pierwszego przybliżenia architektury sieci bazując na dwóch sekwencjach po 100 obrazów z roślinami. Osiągnięto poziom dokładności rzędu 96-98%. Pokazane podejście zostanie wykorzystane w przyszłości do treningu i testów CNN na większych zbiorach danych.
DOIDOI:10.1007/978-3-319-77179-3_18
URL https://link.springer.com/chapter/10.1007/978-3-319-77179-3_18
Languageen angielski
Score (nominal)0
Citation count*
Cite
Share Share

Get link to the record


* presented citation count is obtained through Internet information analysis and it is close to the number calculated by the Publish or Perish system.
Back