ConclusionsThis paper describes an

Conclusions
This paper describes an empirical study of texture-based fruit detection for green fruits on
plants in the field and describes experiments on two green fruit types: pineapple and bitter
melon. Image data is captured from web camera video. The method includes five main
steps: feature and descriptor extraction, feature classification, fruit point mapping, morphological closing and region extraction. The feature and descriptor methods tested
comprised 24 combinations. The classification step used SVMs. The feature type employed
was found to be more important than the descriptor type. The method is highly accurate on
the data sampled, with the best combinations being ORB?SURF128 for pineapple and
Harris?SURF128 for bitter melon. With the best parameter settings (a disc-shaped
structuring element with a radius of 10 pixels and a minimum region size threshold of 1600
pixels for pineapple, and an ellipse-shaped structuring element with a vertical major axis
length of 20 pixels, a horizontal minor axis of 8 pixels, and a minimum region size
threshold of 10500 pixels for bitter melon), the method obtains single-image detection rates
of 85 and 100 %, respectively. Robustness of the parameter settings on other data sets must
be further validated in future work.Future work will extend the method to work in a real time system. The method needs to
be improved to better handle some disadvantageous conditions such as strong sunlight and
occlusion. Temporary occlusions and fragmentations due to leaves can be handled by
tracking fruit regions from frame to frame then performing 3D modeling. The run time
may also need to be improved in order to increase the speed of processing and/or decrease
manufacturing costs. Finally, the detection system will be integrated into a prototype
automated fruit crop monitoring system, and an in-field real-time evaluation will be
performed.
Acknowledgments SC was supported by the Thailand National Science and Technology Development
Agency (NSTDA). The authors thank the members of the AIT Vision and Graphics Lab (VGL) for suggestions and help with data collection

ผลลัพธ์ (ไทย) 2:

สรุปผลการวิจัย
กระดาษนี้จะอธิบายการศึกษาเชิงประจักษ์ของการตรวจสอบผลไม้เนื้อ-based สำหรับผลไม้สีเขียวใน
พืชในเขตข้อมูลและอธิบายการทดลองในสองประเภทผลไม้สีเขียว: สับปะรดและขม
แตงโม ข้อมูลภาพถูกจับจากกล้องวิดีโอเว็บ วิธีการรวมถึงห้าหลัก
ขั้นตอนคุณลักษณะและการสกัดบอกเกี่ยวกับการจำแนกคุณลักษณะการทำแผนที่จุดผลไม้ปิดทางสัณฐานวิทยาและการสกัดภูมิภาค คุณลักษณะและวิธีการให้คำอธิบายถึงการทดสอบ
ประกอบด้วยชุดที่ 24 ขั้นตอนการจัดหมวดหมู่ที่ใช้จำแนก ประเภทสถานที่การจ้างงาน
พบว่ามีความสำคัญมากกว่าชนิดอธิบาย วิธีการมีความถูกต้องสูงใน
ข้อมูลตัวอย่างมีชุดที่ดีที่สุดเป็นลูกโลก? SURF128 สับปะรดและ
แฮร์ริส? SURF128 สำหรับมะระ ที่ดีที่สุดการตั้งค่าพารามิเตอร์ (แผ่นดิสก์รูป
องค์ประกอบโครงสร้างที่มีรัศมี 10 พิกเซลและเกณฑ์ขนาดพื้นที่อย่างน้อย 1,600
พิกเซลสำหรับสับปะรดและองค์ประกอบโครงสร้างรูปวงรีที่มีแกนหลักในแนวตั้ง
ความยาวของ 20 พิกเซล, รองลงมาในแนวนอน แกนของ 8 พิกเซลและขนาดพื้นที่ขั้นต่ำ
เกณฑ์ของ 10500 พิกเซลสำหรับมะระ) วิธีการรับภาพเดี่ยวอัตราการตรวจจับ
ของ 85 และ 100% ตามลำดับ ความทนทานของการตั้งค่าพารามิเตอร์ในชุดข้อมูลอื่น ๆ ที่จะต้อง
มีการตรวจสอบต่อไปในการทำงาน work.Future ในอนาคตจะขยายวิธีการที่จะทำงานในระบบเรียลไทม์ วิธีการที่จำเป็นต้อง
ได้รับการปรับปรุงให้ดีขึ้นจัดการกับสภาพเสียเปรียบบางอย่างเช่นแสงแดดที่แข็งแกร่งและ
การบดเคี้ยว ชั่วคราว occlusions และ fragmentations เนื่องจากใบสามารถจัดการโดย
การติดตามภูมิภาคผลไม้จากกรอบที่กรอบแล้วการดำเนินการสร้างแบบจำลอง 3 มิติ เวลาทำงาน
ก็อาจจะต้องมีการปรับปรุงให้ดีขึ้นเพื่อเพิ่มความเร็วในการประมวลผลและ / หรือลด
ต้นทุนการผลิต ในที่สุดระบบการตรวจสอบจะรวมอยู่ในต้นแบบ
อัตโนมัติระบบตรวจสอบผลไม้พืชและในการประเมินผลข้อมูลเรียลไทม์จะได้รับการ
ดำเนินการ.
กิตติกรรมประกาศ SC ได้รับการสนับสนุนโดยไทยวิทยาศาสตร์แห่งชาติและการพัฒนาเทคโนโลยี
สำนักงาน (สวทช) ผู้เขียนขอขอบคุณสมาชิกของ AIT วิสัยทัศน์และกราฟิก Lab (VGL) เพื่อขอคำแนะนำและความช่วยเหลือเกี่ยวกับการเก็บรวบรวมข้อมูล

ผลลัพธ์ (ไทย) 3:

สรุป
บทความนี้จะกล่าวถึงการศึกษาเชิงประจักษ์ของพื้นผิวที่ใช้ผลไม้ผลไม้สีเขียวในการตรวจจับ
พืชในฟิลด์ และอธิบายการทดลองในสีเขียวผลไม้สองชนิด : สับปะรดและขม
เมล่อน ข้อมูลภาพจับภาพจากเว็บกล้องวิดีโอ วิธีการประกอบด้วยขั้นตอนหลัก
5 : คุณลักษณะและการสกัดหัวเรื่องหมวดหมู่คุณลักษณะการทำแผนที่ชี้ผลลักษณะทางสัณฐานวิทยาและการปิดภาค คุณสมบัติและวิธีการทดสอบ
จำนวน 24 ชุด ขั้นตอนการใช้แบบ . ประเภทคุณลักษณะที่ใช้
พบว่าสำคัญกว่าพิมพ์หัวเรื่อง . วิธีที่ถูกต้องอย่างมาก
ข้อมูลตัวอย่าง , ที่ดีที่สุดรวมกันเป็นวงกลม ? surf128 สับปะรดและ
แฮร์ริส ? surf128 สำหรับขมแตงโมด้วยการตั้งค่าพารามิเตอร์ที่ดีที่สุด ( disc-shaped
โครงสร้าง องค์ประกอบที่มีรัศมี 10 พิกเซล และมีขนาดขั้นต่ำ เขตธรณี 1600
พิกเซลสำหรับสับปะรด และวงรีรูปจัดองค์ประกอบแนวตั้งแกนใหญ่
ความยาว 20 พิกเซล , แกนรอง แนวนอน 8 พิกเซล และอย่างน้อยเขตขนาด
ธรณี 10500 พิกเซลสำหรับมะระ )วิธีการได้รับอัตราการตรวจจับภาพเดียว
85 และ 100 % ตามลำดับ ความแข็งแกร่งของการตั้งค่าพารามิเตอร์ในชุดข้อมูลอื่น ๆต้อง
จะเพิ่มเติมตรวจสอบในการทำงานในอนาคต การทำงานในอนาคตจะขยายวิธีการทำงานในระบบในเวลาจริง วิธีต้องการ
ดีขึ้นดีกว่าจัดการบางเงื่อนไขที่เสียเปรียบ เช่น แดด
อุดตันocclusions ชั่วคราวและ fragmentations เนื่องจากใบสามารถจัดการโดย
ติดตามภูมิภาคผลไม้จากกรอบกรอบแล้วแสดง 3D โมเดลลิ่ง วิ่งเวลา
อาจต้องมีการปรับปรุง เพื่อเพิ่มความเร็วในการประมวลผล และ / หรือ ต้นทุนการผลิตลดลง

ในที่สุด , ระบบตรวจจับจะถูกรวมอยู่ในการตรวจสอบระบบต้นแบบ
ไม้ผลแบบอัตโนมัติและด้านการประเมินผลจะแสดงเวลาจริง
.
ขอบคุณม ได้รับการสนับสนุนจากสำนักงานวิทยาศาสตร์และการพัฒนาเทคโนโลยีแห่งชาติ ( สวทช. ) ผู้เขียนขอขอบคุณสมาชิกของวิสัยทัศน์เอเชียและกราฟิกแล็บ ( vgl ) สำหรับคำแนะนำและช่วยในการเก็บรวบรวมข้อมูล