Annotation af afgrænsningsboks til landbrugsfrugtdetektion
Hvordan Shaip leverede præcise afgrænsningsboksannotationer på tværs af alle synlige æbler i frugtplantagebilleder – dækkende fuld vækstcyklus, multiperspektivoptagelse og 3-lags tilstandsattributter – bygget som et produktionsdatasæt til udbytteestimering, robothøst og AI til afgrødesundhed.
Projektoversigt
I takt med at præcisionslandbrug bevæger sig mod AI-drevet høst og udbytteforudsigelse, havde klienten brug for en annotationspipeline, der var i stand til at registrere individuelle frugter i stor skala på tværs af tætte, naturligt rodede billeder af frugtplantager – og som dækkede alle vækstfaser fra blomstring til høst.
Shaip byggede den komplette annotationspipeline, der dækker stram placering af afgrænsningsbokse pr. frugt, tagging af flere attributbetingelser, håndtering af billeder i flere perspektiver og to-lags QA — og producerer modelklare datasæt til præcisionslandbrugs-AI i stor skala.
Nøglestatistikker
Nøjagtighedstærskel
99%
Vækststadier
Fuld cyklus
Attributlag
3
Perspektiver
Jord + Drone
Udfordringer
- Anmærkning hvert synligt æble i tætte frugtplantagebilleder — hundredvis pr. billede
- Dækker den fulde vækstcyklus — blomst, små grønne frugter, fuldt modne æbler
- Håndtering billeder i flere perspektiver — jordhøjde, drone over hovedet, nærbillede af gren
- At skelne frugt fra løv når farver blandes i de tidlige vækststadier
- Håndtering okkluderet, delvis og blændingspåvirket frugt uden at gå på kompromis med nøjagtigheden
Løsning
Placering af afgrænsningsboks pr. frugt
Annotatorerne tegnede tætte afgrænsningsrammer omkring hvert synligt æble i hvert billede, uanset størrelse, farvestadium eller placering i billedet. Selv i tætte klynger, hvor snesevis af frugter overlappede hinanden, blev hver enkelt mærket individuelt for at understøtte efterfølgende frugttællings- og udbytteestimeringsmodeller.
Fuld vækstcyklusdækning
Annotationen dækkede æbler på tværs af alle vækststadier – fra tidlig blomstring og små grønne frugter til fuldt modne røde og gule æbler. Denne dækning af hele cyklussen sikrer, at den trænede model kan registrere frugt på ethvert tidspunkt i landbrugscyklussen, ikke kun ved høst.
Multiperspektivbilleder
Billeder taget fra rækker af frugtplantager i jordhøjde, dronebilleder overhead og nærbilleder af grene blev alle inkluderet, hvilket gør datasættet yderst forskelligartet og repræsentativt for implementering i den virkelige verden. Hvert perspektiv modtog perspektivspecifikke annotationsretningslinjer.
3-lags attributklassificering
Hvert annoteret æble blev yderligere klassificeret med attributter, der dækker modenhedsstadium (umoden, halvmoden, fuldt moden), synlighedsstatus (fuldt synlig, delvist okkluderet, stærkt okkluderet) og frugtens tilstand (sund, beskadiget, syg). Denne multiattributtilgang gør det muligt for den trænede model at vurdere høstparathed og afgrødesundhed sammen med frugtdetektion.
Håndtering af kantsager
Annotatorer fulgte strenge retningslinjer for æbler delvist uden for billede, æbler på jorden, reflekterende eller blanke frugtoverflader, der forårsager genskinsartefakter, og fjerne små frugter, der kræver identifikation på zoomniveau. Belysningsvariationer - især skygger i trækronerne - blev håndteret gennem perspektivbevidste annotationsregler.
Projektets omfang
| Datasættype | mål | Vækststadier | Perspektiver | Attributter | Nøjagtighed |
|---|---|---|---|---|---|
| Detektion af landbrugsfrugt | æbler | Fuld cyklus (blomstring → moden) | Jord + drone + nærbillede | Modenhed, synlighed, tilstand | 99% |
Resultater
- Etableret en tæt frugtplantage afgrænsningsboks pipeline i stand til at opdage enhver synlig frugt
- standardiseret fuld dækning af vækstcyklusannotationer fra blomstring til høst
- Delivered 3-lags attributklassificering for modenhed, synlighed og tilstand
- vedligeholdt 99% nøjagtighedsport via to-lags kvalitetskontrol på tværs af billeder fra flere perspektiver
- Aktiverede klientens Udbytteestimering, robothøst, afgrødesundhed og droneovervågning AI
Samlet set hjalp Shaip med at omdanne et krav til frugtdetektion i frugtplantageskala til en struktureret, produktionsklar annotationspipeline – en pipeline, der er i stand til at understøtte præcisionslandbrug, robothøst, udbytteforudsigelse og AI-overvågning af afgrødesundhed på tværs af forskellige frugtplantagemiljøer og vækstcyklusser.
Shaip kommenterede æbler, som vi ikke engang kunne skelne fra bladene i nogle rammer. Deres vækststadie og tilstandsmærkning blev direkte brugt i vores udbytteestimering og høstplanlægningsmodeller.
