Different type of images provided by various combinations of cameras have the power to help increase and optimize plant growth. Along with a powerful deep learning model, for the purpose of detecting these stress indicators in RGB images, can significantly increase the harvest yield. The field of AI solutions in agriculture is not vastly explored and this thesis aims to take a first step in helping explore different techniques to detect early plant stress. Within this work, different types and combinations of camera modules will initially be reviewed and evaluated based on the amount of information they provide. Using the chosen cameras, we manually set up datasets and annotations, chose and then trained a suitable and appropriate algorithm to predict deviations from an ideal state in plant production. The algorithm chosen was Faster RCNN, which resulted in having a very high detection accuracy. Along with the main type of cameras, a new particular type of images analysis, named SI-NDVI, is done using a particular combination of the main three cameras and the results show that it is able to detect vegetation and able to predict or show if a plant is stressed or not. An in-depth research is done on all these techniques to create a good quality dataset for the purpose of early stress detection. / Olika typer av bilder försedda av olika kombinationer av kameror har kapaciteten att hjälpa öka och optimera odling av växter. Tillsammans med en kraftfull deep learning-modell, för att detektera olika stressindikatorer i RGB bilder, kan signifikant öka skördar. Fältet av AI-lösningar inom jordbruk är inte väl utforskat och denna uppsats siktar på att ta ett första steg i utforskandet av olika tekniker för att detektera tidig stress hos växter. Inom detta arbete kommer olika typer och kombinationer av kameramoduler bli utvärderade baserat på hur mycket information de kan förse. Genom att använda de valda kamerorna skapar vi själva dataseten och kategoriserar dem, därefter välja och träna en lämplig algoritm för att förutspå förändringar från ett idealt tillstånd för växtens tillväxt. Algoritmen som valdes var Faster RCNN, vilken hade en väldigt hög träffsäkerhet. Parallellt med de huvudsakliga kamerorna genomförs en ny typ av bildanalys vid namn SI-NDVI genom användandet av en särskild kombination av de tre kameror och resultat visar att det är möjligt att detektera vegetation och förutspå eller visa om en växt är stressad eller inte. En fördjupad undersökning genomförs på alla dessa tekniker för att skapa ett dataset av god kvalité för att kunna förutspå tidig stress.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-309752 |
| Date | January 2022 |
| Creators | Sadashiv, Aravind |
| 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 ; 2022:39 |
Page generated in 0.0019 seconds