핵심 개념
本研究では、YOLOv8オブジェクト検出モデルと3Dポイントクラウドデータを用いた幾何学的シェイプフィッティング手法を組み合わせることで、商業オーチャード環境における未熟な緑色りんごの正確な検出と計測を実現した。
초록
本研究では、商業オーチャード環境における未熟な緑色りんごの検出と計測を目的として、YOLOv8オブジェクト検出モデルと3Dポイントクラウドデータを用いたシェイプフィッティング手法を組み合わせた手法を提案した。
まず、YOLOv8モデルを用いて未熟な緑色りんごの検出と分割を行った。YOLOv8m-segモデルが最も高いAP@0.5とAP@0.75の得点(それぞれ0.94と0.91)を達成した。
次に、Azure Kinectカメラから取得した画像にエリプソイドフィッティング手法を適用することで、未熟な緑色りんごのサイズを推定した。その結果、RMSE 2.35 mm、MAE 1.66 mm、MAPE 6.15 mm、R2 0.9の高い精度が得られた。一方、IntelRealsense D435iカメラを使用した場合は、RMSE 9.65 mm、MAE 7.8 mm、MAPE 29.48 mm、R2 0.77と精度が低下した。
部分的な遮蔽による影響などの課題はあるものの、本手法は商業オーチャードにおける未熟な緑色りんごの正確な検出と計測を可能にし、収穫量予測や最適な果実管理などの精密農業への応用が期待できる。
통계
未熟な緑色りんごの検出におけるYOLOv8m-segモデルのAP@0.5は0.94、AP@0.75は0.91であった。
Azure Kinectカメラを使用した場合の未熟な緑色りんごのサイズ推定精度は、RMSE 2.35 mm、MAE 1.66 mm、MAPE 6.15 mm、R2 0.9であった。
IntelRealsense D435iカメラを使用した場合の未熟な緑色りんごのサイズ推定精度は、RMSE 9.65 mm、MAE 7.8 mm、MAPE 29.48 mm、R2 0.77であった。
인용구
"本研究では、YOLOv8オブジェクト検出モデルと3Dポイントクラウドデータを用いたシェイプフィッティング手法を組み合わせることで、商業オーチャード環境における未熟な緑色りんごの正確な検出と計測を実現した。"
"Azure Kinectカメラを使用した場合の未熟な緑色りんごのサイズ推定精度は、RMSE 2.35 mm、MAE 1.66 mm、MAPE 6.15 mm、R2 0.9と高い精度が得られた。"
"部分的な遮蔽による影響などの課題はあるものの、本手法は商業オーチャードにおける未熟な緑色りんごの正確な検出と計測を可能にし、収穫量予測や最適な果実管理などの精密農業への応用が期待できる。"