Orezivanje je ključan zadatak u voćnjacima krušaka, nužan za održavanje zdravlja stabala, poboljšanje kvalitete plodova i osiguravanje dugoročne produktivnosti. Međutim, određivanje grana koje treba orezati složen je proces koji ovisi o strukturi stabla, fazi rasta i odabranoj strategiji orezivanja. Za autonomne sustave ovaj zadatak posebno je izazovan zbog raznolikosti uvjeta u voćnjacima i strukturne složenosti stabala.
U ovom radu predstavljamo metodu za klasifikaciju i predikciju grana koje treba orezati korištenjem 3D rekonstrukcije i strojnog učenja. U tu svrhu prikupljamo više pogledne RGB-D slike stabala krušaka u uvjetima voćnjaka te rekonstruiramo djelomične 3D modele stabala koristeći TEASER++ algoritam. Usporedbom modela prije i nakon orezivanja automatski označavamo grane koje su orezane, čime stvaramo skup podataka BRANCH\_vol2, pogodan za analizu rekonstrukcije i treniranje modela strojnog učenja. Na temelju tog skupa podataka trenirana je neuronska mreža PointNet++ za predviđanje odluka o orezivanju izravno na oblacima točaka.
Ovim istraživanjem želimo postaviti temelj za sustave automatiziranog orezivanja sposobne za pomoć ili zamjenu ručnog rada u voćnjacima. Naš pristup pokazuje obećavajuće rezultate, osiguravajući i preciznost i učinkovitost potrebnu za primjenu robotskog orezivanja u stvarnim poljoprivrednim okruženjima.
****
Dukić, Jana; Pejić, Petra; Vidović, Ivan; Nyarko, Emmanuel Karlo
Towards Robotic Pruning: Automated Annotation and Prediction of Branches for Pruning on Trees Reconstructed Using RGB-D Images // Sensors, 25 (2025), 18; 5648-5673.
doi: https://doi.org/10.3390/s25185648
****
