Publication
Sistema de Navegação Autónoma de Rover Robótico Multitarefa Destinado a Atividades Agrícolas baseado em Visão Computacional por Deteção de Troncos de Árvores
| datacite.subject.fos | Engenharia e Tecnologia::Engenharia Eletromecânica | por |
| dc.contributor.advisor | Gaspar, Pedro Miguel de Figueiredo Dinis Oliveira | |
| dc.contributor.author | Simões, José Pedro Gouveia Pires | |
| dc.date.accessioned | 2022-01-24T16:09:36Z | |
| dc.date.available | 2022-01-24T16:09:36Z | |
| dc.date.issued | 2021-11-25 | |
| dc.date.submitted | 2021-10-07 | |
| dc.description.abstract | Introduzir a robótica na agricultura pode permitir uma subida na produtividade e reduzir os custos e desperdícios associados. As suas capacidades podem ser ampliadas comparativamente à função humana, permitindo que um robô consiga efetuar o trabalho que um humano realizaria, mas com maior precisão, repetibilidade e sem fadiga. Nesta dissertação é desenvolvido um algoritmo de reconhecimento de troncos de pessegueiros dispostos em filas comuns de um pomar, como sistema de navegação autónoma e auxiliar anti-choque, de um rover robótico destinado a aplicações agrícolas. A técnica utilizada para esta solução tecnológica foi a visão computacional, ou seja, a criação de um modelo de deteção de objetos com base em Redes Neuronais Convolucionais. A plataforma de construção do algoritmo foi Tensorflow, com destino a ser implementado num Raspberry Pi 4. O modelo foi alicerçado num sistema de deteção SSD MobileNet 640x640 com aprendizagem de transferência da base COCO17. Apuraram-se 89 imagens para o treino do modelo, recorrendo-se a 90% para treino e as restantes para teste. Aplicou-se ao modelo uma quantização integral completa, convertendo o modelo de 32float para uint8 e compilando-o para suportar Edge TPU, adequado para aplicações móveis. A estratégia de orientação consiste em duas condições: uma deteção dupla cria uma linha imaginária com estrutura de uma função linear que atualiza a cada deteção da mesma configuração e, a partir do declive desta reta ou do desvio horizontal das caixas delimitadoras de deteções únicas, são dadas ordens de viragem ou de manter a marcha. Uma avaliação aritmética do modelo mostrou que este tem uma precisão e uma revocação de 94.4%. Após a quantização, estes valores passaram a 92.3% e 66.7%, respetivamente. Estas métricas e os resultados das simulações mostram que, estatisticamente, o modelo mostrou-se adequado a cumprir os objetivos propostos. | por |
| dc.description.abstract | Introducing robotics in agriculture can allow a raise in productivity and a reduction on costs and waste. Its capabilities can be enhanced to or above the human level, enabling a robot to function like a human does, but with higher precision, repeatability and with little to no effort. This dissertation develops a detection algorithm of peach trunks in orchard rows, as an autonomous navigation and anti-bump auxiliary system of a terrestrial robotic rover for agricultural applications. The approach involved computational vision, more specifically, the creation of an object detection model based on Convolutional Neural Networks. The framework of this algorithm is Tensorflow, for implementation in a Raspberry Pi 4. The model’s core is the detection system SSD MobileNet 640x640 with transfer learning from the COCO 2017 database. 89 pictures were capture for the database of the model, which 90% were used for training and the other 10% for testing. The model was converted for mobile applications with a full integer quantization, from 32float to uint8, and it was compiled for Edge TPU support. The orientation strategy consists in two conditions: a double detection forms a linear function, represented by an imaginary line, which updates every two simultaneous trunks detected. Through the slope of this function and the horizontal deviation of a single detected bounding box from created line, the algorithm orders the robot to adjust the orientation or keep moving forward. The arithmetic evaluation of the model shows a precision and recall of 94.4%. After the quantization, the new values of these metrics and 92.3% and 66.7%, respectively. These simulation results prove that, statistically, the model is able to perform the navigation task. | eng |
| dc.identifier.tid | 202895742 | |
| dc.identifier.uri | http://hdl.handle.net/10400.6/11991 | |
| dc.language.iso | por | por |
| dc.subject | Agricultura de Precisão | por |
| dc.subject | Deteção de Objetos | por |
| dc.subject | Navegação | por |
| dc.subject | Pomar | por |
| dc.subject | Quantização | por |
| dc.subject | Raspberry Pi 4 | por |
| dc.subject | Redes Neuronais Convolucionais | por |
| dc.subject | Robô Terrestre | por |
| dc.subject | Ssd Mobilenet | por |
| dc.subject | Tensorflow | por |
| dc.subject | Visão Robótica | por |
| dc.title | Sistema de Navegação Autónoma de Rover Robótico Multitarefa Destinado a Atividades Agrícolas baseado em Visão Computacional por Deteção de Troncos de Árvores | por |
| dc.title.alternative | Aplicação a Pomares de Pessegueiros | por |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | por |
| rcaap.type | masterThesis | por |
| thesis.degree.name | 2º Ciclo em Engenharia Eletromecânica | por |
Files
Original bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- 8602_18427.pdf
- Size:
- 5.56 MB
- Format:
- Adobe Portable Document Format