Aplikace pro detekci rostlin využívající metody a nástroje umělé inteligence

Abstract

Tato práce se zabývá detekcí rostlin z obrazových dat pomocí metod a nástrojů umělé inteligence. V rámci práce byl k dispozici dataset, na kterém byl následně proveden preprocessing - úprava na jednotné rozlišení 1024x1024 a odstranění rušivých artefaktů - zejména černého fixu, kterým byly Petriho misky popsány. Dále byly natrénovány 3 modely založené na architektuře YOLO. Bylo provedeno porovnání jednotlivých modelů a následně byl proveden výpočet velikosti rostlin pomocí výšky bounding boxů, a také pomocí segmentačních masek, což mělo zaručit přesnější velikosti rostlin. Pro segmentační masky byl využit model SAM2. Poté se provedla skeletonizace a pomocí BFS algoritmu se spočetla jejich délka.

This thesis focuses on detecting plants from image data using artificial intelligence methods and tools. As a part of the work, dataset was available, which was preprocessed - this included resizing all images to a uniform resolution of 1024 x 1024 pixels and removing distracting artifacts, particularly black marker labels used to mark Petri dishes. Three models of YOLO architecture were trained. A comparison of the individual models was done. After that followed calculation of plant size using the height of bounding boxes and also using segmentation masks, which were intended to provide more accurate size estimation. For the segmentation masks, the SAM2 model used. After that the masks were skeletonized and plant lenght was estimated by BFS algorithm.