Metody rozpoznávání obrazu pro segmentaci boxů pro vzcházení rostlin

Bc. Jakub Vašák

Master's thesis

Image recognition methods for the segmentation of boxes in plant germination

Abstract:

Diplomová práce se zabývá nalezením optimální metody segmentace pěstebních boxů pro vzcházení rostlin v sadbovači. Teoretická východiska práce vymezují oblast umělé inteligence společně s jejími subdisciplínami strojového učení, neuronových sítí a hlubokého učení. Dále je představeno strojové vidění společně se všemi jeho podúlohami. Další kapitola se věnuje představení state-of-the-art architektur pro segmentaci obrazu. Teoretickou část práce uzavírá definice základních evaluačních metrik pro porovnání modelů a jejich výsledků. Praktická část nejprve spočívala v procesu vytvoření datové sady pro trénování a testování vybraných modelů. Je zde popsána metoda anotace dostupných snímků a následného pravidla pro rozdělení dat do zmíněných množin. Po natrénování je provedena jejich evaluace na testovací množině. Model dosahující lepších výsledků je vybrán jako hlavní a je dále upraven pomocí změnou hyperparametrů. Ověření úprav je provedeno na další testovací datové sadě. Výsledky modelu jsou použity pro ukládání segmentací se správným jménem a odděleným pozadím sadbovače od samotného pěstebního boxu.

Abstract:

The master’s thesis deals with finding the optimal method of segmentation of the growing boxes for the germination of plants in the plant tray. The theoretical background of the thesis defines the field of artificial intelligence together with its sub-disciplines of machine learning, neural networks and deep learning. Furthermore, computer vision is introduced along with all its subtasks. The next chapter is devoted to the introduction of state-of-the-art architectures for image segmentation. The theoretical part of the thesis concludes with the definition of basic evaluation metrics for comparing models and their results. The practical part first consisted in the process of creating a dataset for training and testing the selected models. A method for annotating the available images and the subsequent rule for partitioning the data into the mentioned sets is described. After training, their evaluation on the test set is performed. The model achieving better results is selected as the main model and is further modified by changing the hyperparameters. Verification of the modifications is done on another test dataset. The model results are used to save the segmentations with the correct name and separate the background of the tray from the actual growing box.

Keywords

Python, Umělá inteligence, Konvoluční neuronová síť, Segmentace obrazu, Vzcházení, Anotace

Keywords

Python, Artificial intelligence, Convolutional neural network, Image segmentation, Germination, Annotation

Language used: Czech

Date on which the thesis was submitted / produced: 2. 12. 2023

Thesis defence

• Date of defence: 6. 2. 2024
• Supervisor: Ing. Jan Masner, Ph.D.
• Reader: Pavel Pejřimovský, externi

Czech University of Life Sciences Prague

Faculty of Economics and Management

Master programme:
Informatika