Using Prior Information to Improve Crop/Weed Classification by MAV Swarms: a review and reproduction

Défense de mémoire d'Antoine Hubermont

Via ce lien

 

Ce mémoire propose une introduction aux Region Based CNNs avec l'utilisation de Faster RCNNs via la reproduction d'un protocole scientifique \cite{saga_vis_2019} dans le cadre de l'agriculture de précision. Deux Faster RCNNs embarqués sur des MAVs en essaim ont été développés pour détecter les mauvaises herbes dans les cultures de betteraves sucrières simulées sur Unity3D. Ces Faster RCNNs sont de profondeur différente. L'objectif est d'augmenter les performances du Faster RCNN le moins profond pour optimiser la consommation de ressource de calcul. Les détections issues des passages précédents d'un MAV au-dessus d'une même zone seront utilisées pour améliorer les détections de ce Faster RCNN. Les performances sont comparées et il en résulte que les détections passées n'ont pas d'impact sur les performances de détection du Faster RCNN le moins profond.

Pour développer et entraîner les Faster RCNN, une confusion a été faite entre epochs et itérations. La bibliothèque TorchVision a d'abord été utilisée pour laisser place au framework maskrcnn-benchmark. Ensuite, le dataset utilisé manquait d'images et il n'a pas été simple d'entraîner ces réseaux. Les résultats obtenus dans le cadre de travail et ceux obtenus dans l'article définissant la méthodologie [1] seront comparés.

Finalement, différentes pistes d'améliorations de ce travail seront proposées.

Mot-clefs: Intelligence artificielle, Vision par ordinateur, Détection d'objets, Faster RCNN, VAMM, Agriculture de précision, contrôle des mauvaises herbes.

Contact : Isabelle Daelman - isabelle.daelman@unamur.be
Télecharger : vCal