dc.contributor.author |
Škrabánek, Pavel
|
|
dc.contributor.author |
Doležel, Petr
|
|
dc.contributor.author |
Matousek, Radomil
|
|
dc.date.accessioned |
2023-07-12T13:17:37Z |
|
dc.date.available |
2023-07-12T13:17:37Z |
|
dc.date.issued |
2022 |
|
dc.identifier.issn |
1367-0751 |
|
dc.identifier.uri |
https://hdl.handle.net/10195/81265 |
|
dc.description.abstract |
We present a pocket-size densely connected convolutional network (DenseNet) directed to classification of size-normalized colour images according to varieties of grapes captured in those images. We compare the DenseNet with three established small-size networks in terms of performance, inference time and model size. We propose a data augmentation that we use in training the networks. We train and evaluate the networks on in-field images. The trained networks distinguish between seven grapevine varieties and background, where four and three varieties, respectively, are of red and green grapes. Compared to the established networks, the DenseNet is characterized by near state-of-the-art performance, short inference time and minimal model size. All these aspects qualify the network for real-time, mobile and edge computing applications. The DenseNet opens possibilities for constructing affordable selective harvesters in accordance with agriculture 4.0. |
eng |
dc.format |
nestránkováno |
cze |
dc.language.iso |
eng |
|
dc.publisher |
Oxford University Press |
eng |
dc.relation.ispartof |
Logic Journal of the IGPL, volume 2022, issue: February |
eng |
dc.rights |
open access (green) |
eng |
dc.subject |
recognition of grapevine varieties |
eng |
dc.subject |
densely connected convolutional network |
eng |
dc.subject |
data augmentation |
eng |
dc.subject |
in-field images |
eng |
dc.subject |
edge-computing |
eng |
dc.subject |
agricultural mechanization |
eng |
dc.subject |
rozpoznávání odrůd vinné révy |
cze |
dc.subject |
hustě propojená konvoluční síť |
cze |
dc.subject |
rozšiřování dat |
cze |
dc.subject |
snímky z pole |
cze |
dc.subject |
edge-computing |
cze |
dc.subject |
zemědělská mechanizace |
cze |
dc.title |
RGB images-driven recognition of grapevine varieties using a densely connected convolutional network |
eng |
dc.title.alternative |
Rozpoznávání odrůd vinné révy na základě RGB obrázků pomocí hustě propojené konvoluční sítě |
cze |
dc.type |
article |
eng |
dc.description.abstract-translated |
Představujeme hustě propojenou konvoluční síť kapesní velikosti (DenseNet) zaměřenou na klasifikaci barevných snímků normalizovaných podle velikosti podle odrůd hroznů zachycených na těchto snímcích. Srovnáváme síť DenseNet se třemi zavedenými sítěmi malé velikosti z hlediska výkonu, doby inference a velikosti modelu. Navrhujeme rozšíření dat, které používáme při trénování sítí. Sítě trénujeme a vyhodnocujeme na polních snímcích. Natrénované sítě rozlišují sedm odrůd vinné révy a pozadí, přičemž čtyři odrůdy jsou červené a tři zelené. V porovnání se zavedenými sítěmi se síť DenseNet vyznačuje výkonností blízkou nejmodernějším, krátkou dobou inference a minimální velikostí modelu. Všechny tyto aspekty kvalifikují síť pro aplikace v reálném čase, mobilní a okrajové výpočty. Síť DenseNet otevírá možnosti pro konstrukci cenově dostupných selektivních sklízečů v souladu se zemědělstvím 4.0. |
cze |
dc.peerreviewed |
yes |
eng |
dc.publicationstatus |
postprint (accepted) |
eng |
dc.identifier.doi |
10.1093/jigpal/jzac029 |
|
dc.relation.publisherversion |
https://academic.oup.com/jigpal/article-abstract/31/4/618/6529721 |
|
dc.project.ID |
EF17_049/0008394/Spolupráce Univerzity Pardubice a aplikační sféry v aplikačně orientovaném výzkumu lokačních, detekčních a simulačních systémů pro dopravní a přepravní procesy (PosiTrans) |
cze |
dc.identifier.wos |
000756664100001 |
|
dc.identifier.obd |
39888069 |
|