This report presents the results of investigations into whether, and how well, Artificially Intelligent (AI) algorithms can be used to estimate the height of plants by using images from regular surveillance cameras, setup over one of Svegros basil farms. The project is of great economical importance as too tall basil plants will not fit the shelves at stores and too small plants will disappoint customers. This is a part of a bigger movement at Svegro to automate the monitoring and caring for the growing plants, aiming at lowering energy consumption and minimizing waste. To measure the heights, rulers (Robel poles) were placed behind the plants that moved on conveyor belts under cameras so the plants’ heights could manually be established from the number of visible lines on the Robel pole, not covered by the plant. The research problem was to engineer an AI based solution to predict how many lines were visible above the plant. After two months of gathering images and manually annotating them, three Convolutional Neural Network (CNN) models of varying complexity were trained on the images of individual Robel poles from the basil field. Results obtained with Grad-CAM showed that the networks do not learn to count the lines but to correlate the leafs size and shape to the height. The best score was a Mean Absolute Error of 0.74 and a Mean Squared Error of 0.83, where a MAE of 2.53 and MSE of 11.11 corresponded to just predicting the data sets median. This was achieved with EfficientNet0B. The results were compared with a human being’s performance which showed that the human still performed better but due to the noisy data, the results are considered impressive and the score exceeded the expectations of the team at Svegro so the final model is now used there today. It was also shown that reasonably good results could be obtained even without the Robel pole in the training images, meaning the Svegro team could stop setting out the Robel poles but with a slight loss in precision. Suggestions for improvements, like changing the design of the Robel poles, are presented to aid future research to fully automate the process with higher accuracy. / I denna rapport presenteras resultaten från undersökningen av huruvida en Artificiellt Intelligent (AI) algoritm kunde användas för att estimera höjden på plantor från bilder tagna med övervakningskameror som satts över en av Svegros basilikaodlingar. Projektet är av stor ekonomisk vikt eftersom basilikan inte får vara för lång för att inte passa i hyllorna i butiker eller för korta för att göra konsumenterna missnöjda. Detta är en del av ett större projekt som innebär övergång till automation av övervakandet och odlandet hos Svegro med förhoppningen om att kunna minska energiförbrukningen och svinnet. För att mäta höjden placerades linjaler (Robel-pinnar) bakom plantorna som rörde sig längs ett stort rullband under kameror så att plantornas höjd manuellt kunde bestämmas från antalet sträck på linjalen som täcktes av plantan. Forskningsuppdraget blev därmed att ta fram en AI som kunde uppskatta hur många linjer som syntes. Efter två månaders samlande av data samt manuellt annoterande av dem testades tre CNNs (Convolutional Neural Network) med olika komplexitet genom att tränas på bilderna av individuella Robel-pinnar från basilikafältet. Resultat som erhölls med Grad-CAM visade att nätverken inte lär sig räkna linjerna utan istället korrelerar basilikabladen form och storlek till höjden. Det bästa resultatet som erhölls var ett MAE (Mean Absolute Error) på 0.74 samt MSE (Mean Square Error) på 0.83, där ett MAE på 2.53 och ett MSE på 11.11 hade motsvarat gissande på datasettets median. Detta resultat erhölls med EfficientNet0B. Resultatet gämfördes med en människas prestation vilket visade att människan presterade bättre, men på grund av osäkerhet i datan ansågs resultaten vara imponerande och överträffade förväntningarna från teamet på Svegro som idag använder modellen. Det visades även att tillfredsställande resultat kunde erhållas med bilder som inte innehöll Robel-pinnen vilket innebär att teamet på Svegro skulle kunna sluta sätta ut Robel-pinnarna i krukorna men då med en liten förlust i precision. Förslag på förbättringar, som att förbättra desingnen på Robel-pinnarna, tas också upp för att hjälpa framtida forskning att snabbare komma till resultat som kan leda till en fullständigt automatiserad process med bättre noggrannhet.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-292359 |
| Date | January 2021 |
| Creators | Von Reis Marlevi, Filip |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2021:81 |
Page generated in 0.003 seconds