Landwirtschaftliche Obsterkennung: Begrenzungsrahmen-Annotation
Wie Shaip präzise Begrenzungsrahmen-Annotationen für jeden sichtbaren Apfel in Obstgartenbildern lieferte – die den gesamten Wachstumszyklus, Aufnahmen aus verschiedenen Perspektiven und dreischichtige Zustandsattribute abdeckten – und so einen produktionsreifen Datensatz für Ertragsschätzung, robotergestützte Ernte und KI zur Pflanzengesundheit schuf.
Projektübersicht
Da sich die Präzisionslandwirtschaft in Richtung KI-gestützter Ernte- und Ertragsprognose entwickelt, benötigte der Kunde eine Annotationspipeline, die in der Lage ist, einzelne Früchte in großem Umfang auf dichten, natürlich unübersichtlichen Obstgartenbildern zu erkennen – und dabei jedes Wachstumsstadium von der Blüte bis zur Ernte abzudecken.
Shaip entwickelte die durchgängige Annotationspipeline, die die präzise Platzierung von Begrenzungsrahmen pro Frucht, die Kennzeichnung von Zuständen mit mehreren Attributen, die Verarbeitung von Bildern aus verschiedenen Perspektiven und die zweistufige Qualitätssicherung umfasst – und erzeugt so modellfertige Datensätze für KI in der Präzisionslandwirtschaft im großen Maßstab.
Schlüsselstats
Genauigkeitsschwelle
99%
Wachstumsstadien
Voller Zyklus
Attributebenen
3
Perspectives
Boden + Drohne
Challenges
- Kommentieren jeder sichtbare Apfel in dichten Obstgartenbildern – Hunderte pro Bild
- Abdeckung der vollständige Wachstumszyklus — Blüte, kleine grüne Frucht, vollreife Äpfel
- Handhabung Mehrperspektivenbilder — Bodenperspektive, Drohnenaufnahme aus der Vogelperspektive, Nahaufnahme eines Astes
- Erkennungsmerkmal Früchte aus dem Laub wenn sich Farben in frühen Wachstumsstadien vermischen
- Management verdeckt, teilweise und blendbeeinträchtigt Früchte ohne Kompromisse bei der Genauigkeit
Lösung
Platzierung der Begrenzungsrahmen pro Frucht
Die Annotatoren zeichneten eng anliegende Rahmen um jeden sichtbaren Apfel in jedem Bild, unabhängig von Größe, Reifegrad oder Position im Bildausschnitt. Selbst in dichten Gruppen, in denen sich Dutzende von Früchten überlappten, wurde jede einzelne markiert, um nachfolgende Modelle zur Fruchtzählung und Ertragsschätzung zu unterstützen.
Vollständige Abdeckung des Wachstumszyklus
Die Annotation umfasste Äpfel in allen Wachstumsstadien – von der frühen Blüte und kleinen grünen Früchten bis hin zu vollreifen roten und gelben Äpfeln. Diese vollständige Abdeckung des Zyklus gewährleistet, dass das trainierte Modell Früchte in jedem Stadium des landwirtschaftlichen Zyklus erkennen kann, nicht nur bei der Ernte.
Mehrperspektivenbilder
Die Datensätze umfassten Aufnahmen von den Obstbaumreihen am Boden, Drohnenbilder aus der Luft und Nahaufnahmen von Ästen. Dadurch ist der Datensatz sehr vielfältig und repräsentativ für die reale Anwendung. Jede Perspektive wurde mit spezifischen Annotationsrichtlinien versehen.
3-schichtige Attributklassifizierung
Jeder annotierte Apfel wurde anhand von Attributen wie Reifegrad (unreif, halbreif, vollreif), Sichtbarkeit (vollständig sichtbar, teilweise verdeckt, stark verdeckt) und Fruchtzustand (gesund, beschädigt, krank) weiter klassifiziert. Dieser Ansatz mit mehreren Attributen ermöglicht es dem trainierten Modell, neben der Fruchterkennung auch die Erntereife und den Gesundheitszustand der Pflanzen zu beurteilen.
Umgang mit Sonderfällen
Die Bearbeiter hielten sich an strenge Richtlinien für Äpfel, die teilweise außerhalb des Bildausschnitts lagen, Äpfel auf dem Boden, reflektierende oder glänzende Fruchtoberflächen, die Blendeffekte verursachten, sowie kleine, weit entfernte Früchte, deren Identifizierung eine Zoomstufe erforderte. Unterschiedliche Lichtverhältnisse – insbesondere Schattenwurf durch Baumkronen – wurden durch perspektivbasierte Bearbeiterregeln berücksichtigt.
Projektumfang
| Datensatztyp | Ziel | Wachstumsstadien | Perspectives | Attribute | Genauigkeit |
|---|---|---|---|---|---|
| Landwirtschaftliche Obstdetektion | Äpfel | Vollständiger Zyklus (Blüte → Reife) | Boden + Drohne + Nahaufnahme | Reifegrad, Sichtbarkeit, Zustand | 99% |
Ergebnisse:
- Gegründet a Pipeline für Begrenzungsboxen in dichten Obstgärten ist in der Lage, jede sichtbare Frucht zu erkennen
- Standardisiert vollständige Annotationsabdeckung des Wachstumszyklus von der Blüte bis zur Ernte
- Erfolgreicher Abschluss von 3-schichtige Attributklassifizierung hinsichtlich Reife, Sichtbarkeit und Zustand
- Leicht 99% Genauigkeitstor mittels zweistufiger Qualitätskontrolle über Bilder aus verschiedenen Perspektiven
- Die Client-Einstellungen wurden aktiviert. Ertragsschätzung, robotergestützte Ernte, Pflanzengesundheit und Drohnenüberwachung AI
Insgesamt hat Shaip dazu beigetragen, die Anforderungen an die Fruchterkennung im Obstbau in eine strukturierte, produktionsreife Annotationspipeline umzuwandeln – eine Pipeline, die in der Lage ist, Präzisionslandwirtschaft, robotergestützte Ernte, Ertragsprognosen und KI-gestützte Überwachung der Pflanzengesundheit in unterschiedlichen Obstbauumgebungen und Wachstumszyklen zu unterstützen.
Shaip hat Äpfel annotiert, die wir in manchen Aufnahmen nicht einmal von Blättern unterscheiden konnten. Die Kennzeichnung ihres Wachstumsstadiums und Zustands floss direkt in unsere Ertragsschätzungs- und Ernteplanungsmodelle ein.
