Vine line detection in diverse environments aerial images using machine learning
SPR
- Treboux, Jérôme
- Ingolf, Rolf (Degree supervisor)
- Genoud, Dominique (Degree supervisor)
- Fribourg (Switzerland), 2023
1 ressource en ligne (149 pages) ; 1 fichier pdf
Thèse: Université de Fribourg (Suisse), 2023
Vine line detection
Image analysis
Image segmentation
Machine learning
Neural networks
Convolutional neural networks
Random forest
Détection de lignes de vigne
Analyse d’image
Segmentation d’image
Machine learning
Réseaux de neurones
Réseaux de neurones convolutionnel
Forêt aléatoire
English
French
Background—Precision agriculture, which aims to optimize the yield of an agricultural field using technology, may be used to automatize spraying pesticides in vineyards using drones while increasing profitability and reducing ecological impact. To automate the creation of flight plans, vine lines in aerial images need to be detected. Vine line detection may have other applications, such as cadastral measurements and visual inspection.
Purpose—Classical methods to detect vine lines have weak performance, and state-of-the-art machine learning (ML) models for image analysis are limited by imagery requirements and natural environmental variability. Therefore, this research intends to improve existing ML models to detect vine lines more robustly.
Methods — A baseline performance is obtained using classical methods and state-of-theart ML models. An original approach then combines a convolutional neural network (CNN) to segment vine lines and a random forest (RF) to confirm or reject the segmentation.
Results—The original approach outperforms existing methods with an f-score improvement of about 35%, with the models reaching an f-score of approximately 86% ±4 %. In addition to achieving such performance, ML models demonstrate their ability to be generalized to segment images with a wide spectrum of features.
Contributions—Our main contributions are twofold. We created, to our knowledge, the first open-source dataset of vineyard aerial images, distinguished by imaging diversity (novel drone images and existing mapping platforms images), the inclusion of ground truth (binarized vine lines traces), and heterogeneity of natural environments (seasonality, time of day, presence of roads, buildings, cars, etc.). We developed an innovative method that combines a CNN and an RF and outperforms classical methods and state-of-the-art ML models in terms of precision, robustness, and generalization capabilities to detect vine lines in diverse environments aerial images. Contexte—Visant à optimiser la production d’une culture en utilisant les nouvelles technologies, l’agriculture de précision peut être utilisée pour disperser des pesticides sur les vignobles à l’aide de drones, permettant ainsi d’augmenter les profits et de réduire l’impact écologique. Afin d’automatiser l’élaboration des plans de vols, les lignes de vigne dans les images doivent être détectées. La détection de lignes de vigne peut avoir également d’autres applications, telles que des mesures cadastrales et l’inspection visuelle.
Objectif — Les méthodes classiques pour la détection des lignes de vigne et les modèles d’apprentissage automatique (AA) pour l’analyse d’images sont limités par les pré-requis liés à l’imagerie et à l’environnement naturel. Par conséquent, cette recherche vise à améliorer les modèles d’AA existants pour détecter les lignes de vigne de manière plus robuste.
Méthode—Les performances de référence sont obtenues en utilisant des méthodes classiques et des modèles de AA de l’état-de-l’art pour l’analyse d’image. Une approche originale combine ensuite un réseau de neurones convolutionnel (RNC) pour segmenter les lignes de vigne et une forêt aléatoire (FA) pour confirmer ou rejeter la segmentation.
Résultats — L’approche originale surpasse les méthodes existantes avec une amélioration du f-score de plus de 35%, avec des modèles atteignant un f-score d’environ 86% ±4 %. De plus, les modèles AA démontrent leur capacité à être généralisés pour segmenter des images ayant un large spectre de caractéristiques.
Contributions—Nos principales contributions comportent deux facettes. Nous créons un jeu de données composé d’une part d’images représentant la variabilité de l’environnement naturel, acquises à l’aide d’un drone et de plates-formes de cartographie, et d’autre-part de la vérité terrain des lignes de vigne, pour combler le manque de ressources en libre accès dans le domaine viticole. Nous présentons une méthode originale qui combine un RNC et une FA, montrant des capacités de généralisation pour détecter des lignes de vigne ayant de multiples orientations dans des images aériennes d’environnements divers.
Purpose—Classical methods to detect vine lines have weak performance, and state-of-the-art machine learning (ML) models for image analysis are limited by imagery requirements and natural environmental variability. Therefore, this research intends to improve existing ML models to detect vine lines more robustly.
Methods — A baseline performance is obtained using classical methods and state-of-theart ML models. An original approach then combines a convolutional neural network (CNN) to segment vine lines and a random forest (RF) to confirm or reject the segmentation.
Results—The original approach outperforms existing methods with an f-score improvement of about 35%, with the models reaching an f-score of approximately 86% ±4 %. In addition to achieving such performance, ML models demonstrate their ability to be generalized to segment images with a wide spectrum of features.
Contributions—Our main contributions are twofold. We created, to our knowledge, the first open-source dataset of vineyard aerial images, distinguished by imaging diversity (novel drone images and existing mapping platforms images), the inclusion of ground truth (binarized vine lines traces), and heterogeneity of natural environments (seasonality, time of day, presence of roads, buildings, cars, etc.). We developed an innovative method that combines a CNN and an RF and outperforms classical methods and state-of-the-art ML models in terms of precision, robustness, and generalization capabilities to detect vine lines in diverse environments aerial images. Contexte—Visant à optimiser la production d’une culture en utilisant les nouvelles technologies, l’agriculture de précision peut être utilisée pour disperser des pesticides sur les vignobles à l’aide de drones, permettant ainsi d’augmenter les profits et de réduire l’impact écologique. Afin d’automatiser l’élaboration des plans de vols, les lignes de vigne dans les images doivent être détectées. La détection de lignes de vigne peut avoir également d’autres applications, telles que des mesures cadastrales et l’inspection visuelle.
Objectif — Les méthodes classiques pour la détection des lignes de vigne et les modèles d’apprentissage automatique (AA) pour l’analyse d’images sont limités par les pré-requis liés à l’imagerie et à l’environnement naturel. Par conséquent, cette recherche vise à améliorer les modèles d’AA existants pour détecter les lignes de vigne de manière plus robuste.
Méthode—Les performances de référence sont obtenues en utilisant des méthodes classiques et des modèles de AA de l’état-de-l’art pour l’analyse d’image. Une approche originale combine ensuite un réseau de neurones convolutionnel (RNC) pour segmenter les lignes de vigne et une forêt aléatoire (FA) pour confirmer ou rejeter la segmentation.
Résultats — L’approche originale surpasse les méthodes existantes avec une amélioration du f-score de plus de 35%, avec des modèles atteignant un f-score d’environ 86% ±4 %. De plus, les modèles AA démontrent leur capacité à être généralisés pour segmenter des images ayant un large spectre de caractéristiques.
Contributions—Nos principales contributions comportent deux facettes. Nous créons un jeu de données composé d’une part d’images représentant la variabilité de l’environnement naturel, acquises à l’aide d’un drone et de plates-formes de cartographie, et d’autre-part de la vérité terrain des lignes de vigne, pour combler le manque de ressources en libre accès dans le domaine viticole. Nous présentons une méthode originale qui combine un RNC et une FA, montrant des capacités de généralisation pour détecter des lignes de vigne ayant de multiples orientations dans des images aériennes d’environnements divers.
- Faculty
- Faculté des sciences et de médecine
- Language
-
- English
- Classification
- Computer science and technology
- Notes
-
- Bibliographie
- License
- License undefined
- Open access status
- gold
- Identifiers
-
- SWISSCOVERY 991171217726105501
- URN urn:nbn:ch:rero-002-121184
- Persistent URL
- https://folia.unifr.ch/unifr/documents/325220
Statistics
Document views: 160
File downloads:
- TrebouxJ.pdf: 81