-
公开(公告)号:AR119901A1
公开(公告)日:2022-01-19
申请号:ARP200102478
申请日:2020-09-04
Applicant: BASF SE
Inventor: PICON RUIZ ARTZAI , LINARES DE LA PUERTA MIGUEL , KLUKAS CHRISTIAN , EGGERS TILL , OBERST RAINER , CONTRERAS GALLARDO JUAN MANUEL , ROMERO RODRIGUEZ JAVIER , GAD HIKAL KHAIRY SHOHDY , KRAEMER GERD , ECHAZARRA HUGUET JONE , NAVARRA-MESTRE RAMON , GONZALEZ SAN EMETERIO MIGUEL
Abstract: Un método implementado por computadora, un producto de programa informático y un sistema informático (100) para identificar malezas en un campo de cultivo mediante una red neuronal convolucional de tarea dual (120) que tiene una topología con un módulo intermedio (121) para ejecutar una tarea de clasificación que se asocia a una primera función de pérdida (LF1), y con un módulo de segmentación semántica (122) para ejecutar una tarea de segmentación con una segunda función de pérdida (LF2) diferente. El módulo intermedio y el módulo de segmentación se entrenan juntos, teniendo en cuenta la primera y la segunda función de pérdida (LF1, LF2). El sistema ejecuta un método que incluye recibir una entrada de prueba (91) que comprende una imagen que muestra plantas de cultivo de una especie de cultivo en un campo agrícola y que muestra plantas de maleza de una o más especies de maleza entre dichas plantas de cultivo; predecir la presencia de una o más especies de maleza (11, 12, 13) que están presentes en el mosaico respectivo; generar un mapa de características intermedio correspondiente al módulo de segmentación como salida de la tarea de clasificación; generar una máscara para cada clase de especie de maleza como salida de la segmentación de la segunda tarea al extraer características multiescala e información de contexto del mapa de característica intermedio y concatenar la información extraída para realizar la segmentación semántica; y generar una imagen final (92) en donde se indique para cada píxel si pertenece a una especie de maleza particular y, en tal caso, a qué especie de maleza pertenece.
-
公开(公告)号:ES3010674T3
公开(公告)日:2025-04-04
申请号:ES20781367
申请日:2020-09-29
Applicant: BASF SE
Inventor: ALVAREZ GILA AITOR , ORTIZ BARREDO AMAIA MARIA , ROLDAN LOPEZ DAVID , ROMERO RODRIGUEZ JAVIER , SPANGLER CORINNA MARIA , KLUKAS CHRISTIAN , EGGERS TILL , ECHAZARRA HUGUET JONE , NAVARRA MESTRE RAMON , PICON RUIZ ARTZAI , BERECIARTUA PEREZ ARANZAZU
Abstract: La cuantificación de la infestación de plantas se realiza estimando el número de objetos biológicos (132) en partes (122) de una planta (112). Un ordenador (202) recibe una imagen de planta (412) tomada de una planta particular (112). El ordenador (202) utiliza una primera red neuronal convolucional (262/272) para derivar una imagen parcial (422) que muestra una parte de la planta. El ordenador (202) divide la imagen parcial en mosaicos y utiliza una segunda red para procesar los mosaicos en mapas de densidad. El ordenador (202) combina los mapas de densidad en un mapa de densidad combinado en la dimensión de la imagen parcial e integra los valores de píxel en un número estimado de objetos para la parte. Las clases de objetos (132(1), 132(2)) se pueden diferenciar para afinar la cuantificación e identificar contramedidas específicas de la clase. (Traducción automática con Google Translate, sin valor legal)
-
公开(公告)号:AR122152A1
公开(公告)日:2022-08-17
申请号:ARP210101397
申请日:2021-05-21
Applicant: BASF SE
Inventor: PICON RUIZ ARTZAI , GONZALEZ SAN EMETERIO MIGUEL , BERECIARTUA-PEREZ ARANZAZU , GOMEZ ZAMANILLO LAURA , JIMENEZ RUIZ CARLOS JAVIER , ROMERO RODRIGUEZ JAVIER , KLUKAS CHRISTIAN , EGGERS TILL , ECHAZARRA HUGUET JONE , NAVARRA-MESTRE RAMON
Abstract: Método y sistema implementados por computadora (100) para estimar la cobertura de vegetación en un entorno del mundo real. El sistema recibe una imagen RGB (91) de un escenario del mundo real (1) con uno o más elementos vegetales (10) de una o más especies vegetales. Se proporciona al menos un canal de la imagen RGB (91) a una red neuronal de regresión semántica (120) que está entrenada para estimar al menos un canal de infrarrojo cercano (NIR) a partir de la imagen RGB. El sistema obtiene una estimación del canal de infrarrojo cercano (NIR) aplicando la red neuronal de regresión semántica (120) a al menos un canal RGB (91). Una imagen multicanal (92) que comprende al menos uno de los canales R, G, B (R, G, B) de la imagen RGB y el canal de infrarrojo cercano estimado (NIR), se proporciona como entrada de prueba (TI1) a una red neuronal de segmentación semántica (130) entrenada con imágenes multicanal para segmentar la entrada de prueba (TI1) en píxeles asociados con elementos de planta y píxeles no asociados con elementos de planta. El sistema segmenta la entrada de prueba (TI1) utilizando la red neuronal de segmentación semántica (130) que da como resultado un mapa de cobertura de vegetación (93) que indica píxeles de la entrada de prueba asociada con elementos de la planta (10) e indica píxeles de la entrada de prueba no asociada con elementos vegetales.
-
公开(公告)号:CA3148726A1
公开(公告)日:2021-03-11
申请号:CA3148726
申请日:2020-09-03
Applicant: BASF SE
Inventor: PICON RUIZ ARTZAI , LINARES DE LA PUERTA MIGUEL , KLUKAS CHRISTIAN , EGGERS TILL , OBERST RAINER , CONTRERAS GALLARDO JUAN MANUEL , ROMERO RODRIGUEZ JAVIER , GAD HIKAL KHAIRY SHOHDY , KRAEMER GERD , ECHAZARRA HUGUET JONE , NAVARRA-MESTRE RAMON , GONZALEZ SAN EMETERIO MIGUEL
IPC: A01M21/00
Abstract: A computer-implemented method, computer program product and computer system (100) for identifying weeds in a crop field using a dual task convolutional neural network (120) having a topology with an intermediate module (121) to execute a classification task being associated with a first loss function (LF1), and with a semantic segmentation module (122) to execute a segmentation task with a second different loss function (LF2). The intermediate module and the segmentation module are being trained together, taking into account the first and second loss functions (LF1, LF2). The system executes a method including receiving a test input (91) comprising an image showing crop plants of a crop species in an agricultural field and showing weed plants of one or more weed species among said crop plants; predicting the presence of one or more weed species (11, 12, 13) which are present in the respective tile; outputting a corresponding intermediate feature map to the segmentation module as output of the classification task; generating a mask for each weed species class as segmentation output of the second task by extracting multiscale features and context information from the intermediate feature map and concatenating the extracted information to perform semantic segmentation; and generating a final image (92) indicating for each pixel if it belongs to a particular weed species, and if so, to which weed species it belongs.
-
公开(公告)号:AU2020395845A1
公开(公告)日:2022-06-23
申请号:AU2020395845
申请日:2020-11-24
Applicant: BASF SE
Inventor: BERECIARTUA-PEREZ ARANZAZU , PICON RUIZ ARTZAI , ROMERO RODRIGUEZ JAVIER , CONTRERAS GALLARDO JUAN MANUEL , OBERST RAINER , GAD HIKAL KHAIRY SHOHDY , KRAEMER GERD , KLUKAS CHRISTIAN , EGGERS TILL , ECHAZARRA HUGUET JONE , NAVARRA-MESTRE RAMON
Abstract: A computer-implemented method, computer program product and computer system (100) for determining the impact of herbicides on crop plants (11) in an agricultural field (10). The system includes an interface (110) to receive an image (20) with at least one crop plant representing a real world situation in the agricultural field (10) after herbicide application. An image pre-processing module (120) rescales the received image (20) to a rescaled image (20a) matching the size of an input layer of a first fully convolutional neural network (CNN1) referred to as the first CNN. The first CNN is trained to segment the rescaled image (20a) into crop (11) and non-crop (12, 13) portions, and provides a first segmented output (20s1) indicating the crop portions (20c) of the rescaled image with pixels belonging to representations of crop. A second fully convolutional neural network (CNN2), referred to as the second CNN, is trained to segment said crop portions into a second segmented output (20s2) with one or more sub-portions (20n, 20l) with each sub-portion including pixels associated with damaged parts of the crop plant showing a respective damage type (11-1, 11-2). A damage measurement module (130) determines a damage measure (131) for the at least one crop plant for each damage type (11-1, 11-2) based on the respective sub-portions of the second segmented output (20s2) in relation to the crop portion of the first segmented output (20s1).
-
公开(公告)号:AR120658A1
公开(公告)日:2022-03-09
申请号:ARP200103353
申请日:2020-12-02
Applicant: BASF SE
Inventor: BERECIARTUA-PEREZ ARANZAZU , PICON RUIZ ARTZAI , ROMERO RODRIGUEZ JAVIER , CONTRERAS GALLARDO JUAN MANUEL , OBERST RAINER , GAD HIKAL KHAIRY SHOHDY , KRAEMER GERD , KLUKAS CHRISTIAN , EGGERS TILL , ECHAZARRA HUGUET JONE , NAVARRA-MESTRE RAMON
Abstract: Un método implementado por computadora, producto de programa informático y sistema de computadora (100) para determinar el impacto de herbicidas en plantas de cultivo (11) en un campo agrícola (10). El sistema incluye una interfaz (110) para recibir una imagen (20) con al menos una planta de cultivo que representa una situación del mundo real en el campo agrícola (10) después de la aplicación del herbicida. Un módulo de preprocesamiento de imágenes (120) reescala la imagen recibida (20) a una imagen reescalada (20a) que coincide con el tamaño de una capa de entrada de una primera red neuronal completamente convolucional (CNN1) denominada la primera CNN. La primera CNN está entrenada para segmentar la imagen reescalada (20a) en porciones de cultivo (11) y de no cultivo (12, 13), y proporciona una primera salida segmentada (20s1) que indica las porciones de cultivo (20c) de la imagen reescalada con píxeles pertenecientes a representaciones de cultivos. Una segunda red neuronal completamente convolucional (CNN2), denominada segunda CNN, está entrenada para segmentar dichas porciones de cultivo en una segunda salida segmentada (20s2) con una o más subporciones (20n, 20l), donde cada subporción incluye píxeles asociados con partes dañadas de la planta de cultivo que muestran un tipo de daño respectivo (11-1, 11-2). Un módulo de medición de daños (130) determina una medida de daños (131) para la al menos una planta de cultivo para cada tipo de daño (11-1, 11-2) basándose en las respectivas subporciones de la segunda salida segmentada (20s2) en relación con la porción de cultivo de la primera producción segmentada (20s1).
-
公开(公告)号:AR120119A1
公开(公告)日:2022-02-02
申请号:ARP200102707
申请日:2020-09-29
Applicant: BASF SE
Inventor: ALVAREZ GILA AITOR , ORTIZ BARREDO AMAIA MARIA , ROLDAN LOPEZ DAVID , ROMERO RODRIGUEZ JAVIER , SPANGLER CORINNA MARIA , KLUKAS CHRISTIAN , EGGERS TILL , ECHAZARRA HUGUET JONE , NAVARRA MESTRE RAMON , PICON RUIZ ARTZAI , BERECIARTUA PEREZ ARANZAZU
IPC: G06K9/00
Abstract: La cuantificación de la infestación de las plantas se lleva a cabo mediante la estimación del número de insectos (132) en las hojas (122) de una planta (112). Una computadora (202) recibe una imagen de la planta (412) capturada de una planta determinada (112). La computadora (202) usa una primera red neuronal convolucional (262 / 272) para derivar una imagen de la hoja (422) con una hoja principal. La computadora (202) divide la imagen de la hoja en mosaicos y usa una segunda red para procesar los mosaicos en mapas de densidad. La computadora (202) combina los mapas de densidad en un mapa de densidad combinado en la dimensión de la imagen de la hoja e integra los valores de los píxeles en un número estimado de insectos para la hoja principal. Las clases de insectos (132(1), 132(2)) se pueden diferenciar para ajustar la cuantificación para identificar las contramedidas específicas para la clase.
-
公开(公告)号:CA3150808A1
公开(公告)日:2021-04-08
申请号:CA3150808
申请日:2020-09-29
Applicant: BASF SE
Inventor: ALVAREZ GILA AITOR , ORTIZ BARREDO AMAIA MARIA , ROLDAN LOPEZ DAVID , ROMERO RODRIGUEZ JAVIER , SPANGLER CORINNA MARIA , KLUKAS CHRISTIAN , EGGERS TILL , ECHAZARRA HUGUET JONE , NAVARRA MESTRE RAMON , PICON RUIZ ARTZAI , BERECIARTUA PEREZ ARANZAZU
Abstract: Quantifying plant infestation is performed by estimating the number of biological objects (132) on parts (122) of a plant (112). A computer (202) receives a plant-image (412) taken from a particular plant (112). The computer (202) uses a first convolutional neural network (262/272) to derive a part-image (422) that shows a part of the plant. The computer (202) splits the part-image into tiles and uses a second network to process the tiles to density maps. The computer (202) combines the density maps to a combined density map in the dimension of the part-image and integrates the pixel values to an estimate number of objects for the part. Object classes (132(1), 132(2)) can be differentiated to fine-tune the quantification to identify class-specific countermeasures.
-
-
-
-
-
-
-