MI és gépi tanulás alkalmazások

Mennyi adat kell valójában egy modellhez? Hagyományos gépi tanulás és mélytanulás.

Háttér

A mezőgazdasági gépi látás legtöbbször CNN-alapú mélytanulást használ, amelyhez több ezer szakértő által címkézett kép és nagy számítási kapacitás kell. Sok gazdaság és projekt ezt nem tudja biztosítani.

Célok

Megtalálni a megbízható gyomosztályozóhoz szükséges minimális tanítóképszámot.
Összehasonlítani a jellemzőalapú gépi tanulást a mélytanulással (YOLO), és a rendelkezésre álló adat alapján választani.

Módszertan

Alak-, távolságtranszformációs, színhisztogram- és textúrajellemzők külön-külön és kombinálva, hat osztályozóval (SVM, random forest, KNN, ANN, naiv Bayes, gradient boosting), gyomtípusonként 5, 10, 20, 40, 80 és 160 tanítóképpel.
YOLO objektumdetektálás augmentációval egyosztályos gyomfelismeréshez drónos képcsempéken.

Eredmények

Osztályonként 160 képpel a gradient boosting 94,56 %-os recallt ért el; kb. 10 képpel 84 %, kb. 40 képpel 91 % pontosság.
A jellemzők kombinációi egyértelműen jobbak az egyes jellemzőtípusoknál (90 % fölött szemben a 40–70 %-kal).
Nagyon kis adathalmaznál a random forest, több képnél a gradient boosting volt a legjobb.

Kapcsolódó publikációk

2024Q2

Weed Detection and Classification with Computer Vision Using a Limited Image Dataset

L. Moldvai, P. Á. Mesterházi, G. Teschner, A. Nyéki

Applied Sciences 2024, 14(11), 4839

Összefoglaló

Hány tanítókép elég? Hagyományos, jellemzőalapú gépi látást (alak-, távolságtranszformációs, színhisztogram- és textúrajellemzők) és hat osztályozót teszteltünk gyomfajonként 5–160 képpel, négyosztályos feladatban. Fajonként 160 képpel 94,56 %-os recall érhető el, ami a mélytanulás pontosságát közelíti az adatmennyiség tizedével.

DOI: 10.3390/app14114839

weed classification
limited data
machine learning

2024

Weed detection in agricultural fields using machine vision

L. Moldvai, B. Ambrus, G. Teschner, A. Nyéki

BIO Web of Conferences 2024, 125, 01004

Összefoglaló

Áttekintés az RGB-képalapú gyomdetektálásról és az automatizált gyomszabályozásról, és arról, hogyan csökkenti a gyomok pontos célzása a termelési költségeket és a vegyszerhasználatot a precíziós mezőgazdaságban.

DOI: 10.1051/bioconf/202412501004 FAO AGRIS

weed detection
RGB
machine vision

2026konferenciakiadvány, nem lektorált

UAV-Based Detection and Precision Management of Cirsium arvense: An End-to-End Workflow from Deep Learning to Variable-Rate Spraying

L. Moldvai, P. Á. Mesterházi, G. Teschner, A. Nyéki

Proceedings of the 17th International Conference on Precision Agriculture (ICPA) and 11th Brazilian Congress on Precision and Digital Agriculture, Porto Alegre, Brazil, 13–15 July 2026

Összefoglaló

Végponttól végpontig tartó munkafolyamat a mezei aszat (Cirsium arvense) drónfelvételeken való felismerésére és a detektálásból permetezőgéppel kompatibilis kezelési zónák előállítására. Egyosztályos YOLO modell, 800 annotált képcsempén tanítva (13 280 képre augmentálva): mAP@0,5 = 78,97 %, F1 = 77,2 %. A területnek mindössze 32,43 %-án kellett gyomirtót kijuttatni, ami 67,57 %-os megtakarítás a teljes felületű permetezéshez képest.

UAV
YOLO
weed detection
variable-rate spraying

Konferenciák

Poszter3 October 2024

Gyomdetektálás és osztályozás számítógépes látással egy minimális számú képi adathalmaz segítségével

XX. Tiszántúli Agrártudományi Napok – „Intelligens megoldások a mezőgazdaságban”, Debrecen, Hungary

Poszter: gyomosztályozás hagyományos számítógépes látással fajonként mindössze 5–160 tanítóképből; 160 képpel 94,56 %-os recall.

Poszter (PDF)Kapcsolódó cikk