This paper presents an approach to

This paper presents an approach to count mango fruit from daytime images of individual trees for the
purpose of a machine vision based estimation of mango crop yield. Images of mango trees were acquired
over a three day period, 3 weeks before commercial harvest occurred. The fruit load of each of fifteen
trees was manually counted, and these trees were imaged on four sides. Correlation between tree counts
and manual image counts was strong (R2 = 0.91 for two sides). A further 555 trees were imaged on one
side only. For these images, pixels were segmented into fruit and background pixels using colour segmentation
in the RGB and YCbCr colour ranges and a texture segmentation based on adjacent pixel variability.
Resultant blobs were counted to obtain a per image mango count. Across a set of 555 images
(with mean ± standard deviation of fruit per tree of 32.3 ± 14.3), a linear regression, (y = 0.582x  0.20,
R2 = 0.74, bias adjusted root mean square error of prediction = 7.7) was achieved on the machine vision
count relative to the image count. The algorithm decreased in effectiveness as the number of fruit on
the tree increased, and when imaging conditions involved direct sunlight. Approaches to reduce the
impact of fruit load and lighting conditions are discussed

ผลลัพธ์ (ไทย) 1:

เอกสารนี้แสดงวิธีการนับมะม่วงจากกลางวันภาพของต้นไม้แต่ละวัตถุประสงค์ของวิสัยทัศน์เครื่องตามการประเมินผลผลิตพืชมะม่วง ภาพของมะม่วงได้รับมาช่วงระยะเวลา 3 วัน 3 สัปดาห์ก่อนเก็บเกี่ยวทางการค้าเกิดขึ้น โหลดผลไม้ของแต่ละ fifteenต้นไม้ถูกนับด้วยตนเอง และต้นไม้เหล่านี้ถูก imaged สี่ด้าน ความสัมพันธ์ระหว่างจำนวนต้นไม้และนับจำนวนภาพด้วยตนเองแข็งแกร่ง (R2 = 0.91 ในทั้งสองด้าน) เป็นต้นไม้ 555 ถูก imaged หนึ่งด้านเท่านั้น สำหรับภาพเหล่านี้ พิกเซลมีแบ่งเซลผลไม้และพื้นหลังใช้สีแบ่งสีในระบบ RGB และ YCbCr ช่วง และแบ่งพื้นผิวตามความแปรผันของพิกเซลที่อยู่ติดกันนับ blobs สีผลแก่ได้รับการต่อภาพมะม่วงนับ ของภาพ 555(โดยเฉลี่ย±ส่วนเบี่ยงเบนมาตรฐานของผลไม้ต่อต้นไม้ของ 32.3 ± 14.3), การถดถอยเชิงเส้น, (y = 0.582 x 0.20R2 = 0.74 ความโน้มเอียงปรับปรุงข้อผิดพลาดรากค่าเฉลี่ยกำลังสองของการคาดการณ์ = 7.7) สำเร็จในวิสัยทัศน์ของเครื่องนับญาติกับจำนวนภาพ อัลกอริทึมลดลงในประสิทธิภาพเป็นจำนวนผลไม้ในต้นเพิ่มขึ้น และเมื่อภาพเงื่อนไขที่เกี่ยวข้องกับแสงแดดโดยตรง แนวทางลดการมีการกล่าวถึงผลกระทบของการผลิตผลไม้และสภาพแสง

ผลลัพธ์ (ไทย) 2:

บทความนี้นำเสนอวิธีการที่จะนับผลมะม่วงจากภาพในเวลากลางวันของต้นไม้แต่ละบุคคลสำหรับ
วัตถุประสงค์ของการประเมินที่มองเห็นเครื่องที่ใช้ในการเพาะปลูกผลผลิตมะม่วง ภาพของต้นมะม่วงได้มา
เป็นระยะเวลากว่าสามวัน, 3 สัปดาห์ก่อนการเก็บเกี่ยวในเชิงพาณิชย์ที่เกิดขึ้น โหลดผลไม้ของแต่ละสิบห้า
ต้นไม้นับด้วยตนเองและต้นไม้เหล่านี้ถูกถ่ายภาพทั้งสี่ด้าน ความสัมพันธ์ระหว่างการนับจำนวนต้นไม้
และจำนวนภาพคู่มือแข็งแรง (R2 = 0.91 สำหรับทั้งสองฝ่าย) เพิ่มเติม 555 ต้นไม้ถูกถ่ายภาพในหนึ่ง
ด้านเท่านั้น สำหรับภาพเหล่านี้พิกเซลถูกแบ่งออกเป็นผลไม้และพื้นหลังพิกเซลโดยใช้การแบ่งส่วนสี
ใน RGB และ YCbCr ช่วงสีและการแบ่งส่วนเนื้ออยู่บนพื้นฐานของความแปรปรวนพิกเซลที่อยู่ติดกัน.
blobs Resultant นับที่จะได้รับต่อการนับมะม่วงภาพ ข้ามชุดของ 555 ภาพ
(มีค่าเบี่ยงเบนมาตรฐานค่าเฉลี่ย±ของผลไม้ต่อต้น 32.3 ± 14.3) การถดถอยเชิงเส้น (y = 0.582x? 0.20,
R2 = 0.74 อคติรากปรับหมายถึงข้อผิดพลาดที่สองของการทำนาย = 7.7) เป็น ประสบความสำเร็จในการมองเห็นเครื่อง
นับญาตินับภาพ ขั้นตอนวิธีการลดลงในประสิทธิภาพเป็นจำนวนของผลไม้บน
ต้นไม้ที่เพิ่มขึ้นและการถ่ายภาพเมื่อเงื่อนไขที่เกี่ยวข้องกับการถูกแสงแดดโดยตรง แนวทางการลด
ผลกระทบของการโหลดผลไม้และสภาพแสงที่จะกล่าวถึง

ผลลัพธ์ (ไทย) 3:

บทความนี้เสนอวิธีการนับผลมะม่วงจากกลางวัน ภาพต้นไม้แต่ละต้นสำหรับ
วัตถุประสงค์ของเครื่องวิสัยทัศน์ตามการประมาณการผลผลิตมะม่วง ปลูก ภาพต้นมะม่วงได้มา
ตลอดระยะเวลา 3 วัน , 2 สัปดาห์ ก่อนการเก็บเกี่ยวในเชิงพาณิชย์เกิดขึ้น ผลไม้โหลดของแต่ละสิบห้า
ต้นไม้ได้ด้วยตนเองว่า ต้นไม้เหล่านี้มีภาพลักษณ์ในสี่ด้านความสัมพันธ์ระหว่างต้นไม้นับ
และที่สำคัญภาพคู่มือแข็งแรง ( R2 = 0.91 สองด้าน ) อีก 555 ต้นไม้อื่นๆในหนึ่ง
ข้างเท่านั้น สำหรับภาพนี้ พิกเซล สามารถจัดแบ่งได้เป็นผลไม้และพิกเซลพื้นหลังโดยใช้
แบ่งส่วนสีใน RGB และเพิ่มสีและพื้นผิวการตัดช่วงที่ตามติดกันพิกเซล
ความผันแปรผลคือได้รับ blobs นับต่อนับมะม่วง รูปภาพ ผ่านชุดของภาพ
555 ( หมายถึง±ส่วนเบี่ยงเบนมาตรฐานผลต่อต้นและ± 14.3 ) , การถดถอยเชิงเส้น ( Y = 0.582x  0.20 ,
2 = 0.74 , อคติปรับ Root Mean Square Error ของการพยากรณ์ = 7.7 ) คือได้มองเห็นเครื่องนับญาติกับ
นับภาพขั้นตอนวิธีการลดลงในประสิทธิภาพของจำนวนผลไม้
ต้นไม้เพิ่มขึ้น และเมื่อเงื่อนไขภาพที่เกี่ยวข้องกับแสงแดดโดยตรง วิธีที่จะลดผลกระทบของโหลด
ผลไม้และสภาพแสงมีการกล่าวถึง