Số phát hành: Số 19 - Tháng 7 - 2026Khoa học - Kỹ thuật
Bộ dữ liệu thực địa và nhận dạng giai đoạn sinh trưởng bắp cải cho robot phun dinh dưỡng
Xuất bản: tháng 8 11, 2026
Tóm tắt
Nghiên cứu xây dựng bộ dữ liệu thực địa và đánh giá mô hình nhận dạng giai đoạn sinh trưởng của cây bắp cải nhằm phục vụ robot phun dinh dưỡng chính xác. Bài viết tự thu 7.225 ảnh thực địa tại Mễ Hạ và hợp nhất với 1.786 ảnh UAV thành bộ 9.011 ảnh, 16.616 nhãn theo 5 giai đoạn. Trong 5 mô hình phát hiện đối tượng được so sánh thì YOLOv8n được chọn nhờ cân bằng độ chính xác (mAP 85,6%) và tốc độ, tối ưu bằng TensorRT FP16 đạt khoảng 21 FPS trên Jetson Nano. Kết quả thực nghiệm cho thấy hệ thống đạt độ chính xác nhận dạng trên 90% và sai lệch vị trí phun dưới 1 cm. Nghiên cứu góp phần xây dựng cơ sở dữ liệu và cung cấp giải pháp nhận dạng phù hợp cho các hệ thống robot nông nghiệp, tạo tiền đề cho việc ứng dụng công nghệ trí tuệ nhân tạo trong canh tác chính xác.
Từ khóa
nhận dạng đối tượnghọc sâuYOLObắp cảinông nghiệp chính xác
Tài liệu tham khảo
1.
Andaloro J. T., Rose K. B., Shelton A. M., et al. (1983). Cabbage Growth Stages. New York State Agricultural Experiment Station, 101, 1-4.
2.
Howard A., Sandler M., Chu G., et al. (2019). Searching for MobileNetV3. arXiv:1905.02244.
3.
Jiang P., Qi A., Zhong J., et al. (2024). Field cabbage detection and positioning system based on improved YOLOv8n. Plant Methods, 20, 96.
4.
Lin T.-Y., Maire M., Belongie S., et al. (2014). Microsoft COCO: Common Objects in Context. arXiv:1405.0312.
5.
Liu W., Anguelov D., Erhan D., et al. (2015). SSD: Single Shot MultiBox Detector. arXiv:1512.02325.
6.
Lu Y., & Young S. (2020). A survey of public datasets for computer vision tasks in precision agriculture. Computers and Electronics in Agriculture, 178, 105760.
7.
Lüling N., Reiser D., Straub J., et al. (2023). Fruit Volume and Leaf-Area Determination of Cabbage by a Neural-Network-Based Instance Segmentation for Different Growth Stages. Sensors, 23, 129.
8.
Redmon J., Divvala S., Girshick R., et al. (2015). You Only Look Once: Unified, Real-Time Object Detection. arXiv:1506.02640.
9.
Ren S., He K., Girshick R., et al. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. arXiv:1506.01497.
Vatin N. I., Joshi S. K., Acharya P., et al. (2024). Precision Agriculture and Sustainable Yields: Insights from IoT-Driven Farming. BIO Web of Conferences, 86, 01091.
14.
Yokoyama Y., Matsui T., & Tanaka S. T. (2024). An annotated image dataset of cabbages for instance segmentation. Mendeley Data, V2. https://doi.org/10.17632/5cp2dyjczk.2.
