高指向性超音波放射圧を利用した非接触ピンポイント全自動受粉システムの開発研究

高定向超声波辐射压非接触式精准全自动授粉系统的研发

• 批准号: 17H03894
• 负责人: 清水 浩
• 金额: $ 11.4万
• 依托单位: Kyoto University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (B)
• 财政年份: 2017
• 资助国家: 日本
• 起止时间: 2017-04-01 至 2022-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-17H03894/
• 关键词: 施設園芸・植物工場; 自動化; 植物工場; 超音波放射圧; 画像処理; 機械学習

2018年度は、３Dカメラ（Intel RealSense F200）で取得したイチゴの画像（カラー画像と距離画像）のうち、カラー画像を使用してイチゴの花の認識を行った。具体的には、モデル作成に用いた画像データは愛媛県のイチゴ農場で撮影された188枚のイチゴ画像に画像処理を施して3384枚にしたものを使用した。そのうちの338枚を検証データ、残りの3046枚を学習データとした。次にアノテーションとして画像中の物体名と物体を囲む矩形の情報を記録していった。次にモデルの損失関数の値が減少しなくなるまで学習を行った。損失関数とは検出モデルの予測領域と正解領域のズレおよび分類のズレを数値化する関数で、学習が進む度に値が更新されていく。パラメータ選択にはIoU、ｍAPという精度指標を使用した。IoUとは予測領域と正解領域の重なり具合を示す指標で、ｍAPとは検出した物体が正しいかどうかを示す指標である。過学習が起こる直前の最も汎用性の高いパラメータセットの確認を試みたが、学習データと検証データの類似度が高く確認できなかった。パラメータの更新回数は十分であったので最も高精度のものを選択した。2つのモデルに対して検証データを入力しIoU、mAP、処理時間の比較を行った。精度は両モデルとも良い結果を示したが、処理時間に関してはv2が2倍ほど速く処理を完了した。想定する環境では動画を処理することとなり処理速度が重要であると考えた。以上よりYOLOv2を制御プログラムに実装することとした。

は, 3 d カ 2018 メ ラ (Intel RealSense F200) で obtain し た イ チ ゴ の portrait (カ ラ ー portrait と distance portrait) の う ち, カ ラ ー portrait を use し て イ チ ゴ の take の know を line っ た. Specific に は, モ デ ル made に with い た portrait デ ー タ は love luca brasi 県 の イ チ ゴ farm で pinch of shadow さ れ た 188 の イ チ ゴ portrait portraits に 処 Richard を shi し て 3384 に し た も の を use し た. そ の う ち の 338 を 検 card デ ー タ and residual り の 3046 を learning デ ー タ と し た. Time に ア ノ テ ー シ ョ ン と し て in portrait の object name と を 囲 む rectangular の intelligence を record し て い っ た. The にモデ が loss threshold <s:1> value が is reduced by <s:1> なくなるまで learning を lines った. Loss masato number と は 検 out モ デ ル の と positive solutions to the measurement field domain の ズ レ お よ び classification の ズ レ を the numerical change す る masato number で, learning が into む に numerical が update さ れ て い く. Youdaoplaceholder0 パラメ タ タ select 択に を IoU, mAPと う う, and the precision index を uses を た. Ious と は と positive solutions to the measurement field domain の heavy な り with close を で す index, mAP と は 検 out し が た objects are し い か ど う か を で す index in あ る. Learning が since こ る ahead の も most domestic の high い パ ラ メ ー タ セ ッ ト の confirm を try み た が, learning デ ー タ と 検 card デ ー タ の similar degree high が く confirm で き な か っ た. Youdaoplaceholder0 パラメ タ タ パラメ number of updates very であった で で the most <s:1> high precision を を select 択 た た. 2 に モデ モデ に compares <s:1> IoU, mAP, processing time <e:1> of て検 certificate デ タを タを を line った. Good accuracy は struck モ デ ル と も い results を shown し た が, 処 time に masato し て は v2 が 2 times ほ ど speed く 処 finished Richard を し た. The speed of determining the する environment で で animation を processing する <s:1> ととな ととな processing が is important であると test えた. The above よ よ YOLOv2を control プログラムに actual equipment する た とと た た.