| Student: | Robin Mortier |
|---|
| Richting: | Master of Science in de industriële wetenschappen: informatica |
|---|
| Abstract: | In het laatste decennium is er veel vooruitgang geboekt in het gebied van Precision Agriculture (PA). PA is een concept gebaseerd op observeren, opmeten en reageren op variabiliteit tussen gewassen om de opbrengst te maximaliseren en de middelen te beperken. Problemen zoals ongedierte, droogte en ziektes probeert men gericht te vermijden door enkel de aangetaste gebieden te behandelen. Hierdoor worden veel middelen bespaart en wordt de opbrengst verhoogd. Technieken zoals drones en deep learning openen nieuwe wegen om dit te realiseren. Vaak is het ongedierte moeilijk zichtbaar op afbeeldingen met een ordinaire resolutie. Daarom is het noodzakelijk om beelden met hoge resolutie te verwerken. Bestaande detectiealgoritmes zijn reeds in staat om deze opgave op te lossen, maar met een hoge rekenkost. In deze thesis wordt een pipeline voorgesteld die hoge resolutie afbeeldingen efficiënt verwerkt door enkel de nuttige delen van het beeld verder te verkennen. Deze pipeline zal vergeleken worden met bestaande detectiealgoritmes. Belangrijke factoren die spelen in deze vergelijking zijn efficiëntie en precisie. |
|---|
| Abstract (Eng): | Much progress has been made in the field of Precision Agriculture (PA) in the last decade. PA is a concept based on observing, measuring and responding to variability between crops to maximize yield and limit resources. Problems such as pests, drought and diseases are avoided by only treating the affected areas. This saves a lot of resources and increases the yield. Techniques such as drones and deep learning open up new ways to achieve this. Often the pests are difficult to see on images with a common resolution. Therefore, it is necessary to process high-resolution images. Existing detection algorithms are already able to solve this problem, but with a high computational cost. In this thesis, a pipeline is proposed that efficiently processes high-resolution images by exploring only the useful parts of the image. This pipeline will be compared with existing detection algorithms. Important factors in this equation are efficiency and precision. |
|---|