Riegler-Nurscher, PeterPrankl, JohannHofinger, MarkusVincze, MarkusGandorfer, MarkusMeyer-Aurich, AndreasBernhardt, HeinzMaidl, Franz XaverFröhlich, GeorgFloto, Helga2020-03-042020-03-042020978-3-88579-693-0https://dl.gi.de/handle/20.500.12116/31907Robustes Detektieren von Grünlandschwaden ist die Grundlage für die Automatisierung bei der Heu- und Silage-Ernte. Vor allem bei kleinem Schwadvolumen ist die Detektion basierend auf Daten von 3D-Sensoren fehleranfällig. Es wird eine neue Methode zur Segmentierung einer Schwad in einem RGB-Bild basierend auf einem Convolutional Neural Network (CNN) vorgestellt. Die Methode wird mit der Segmentierung von 3D-Tiefendaten einer Stereo-Kamera mittels Ebenen-Detektion verglichen. Zur Validierung beider Methoden wurden Aufnahmen bei der Silage- und bei der Heuernte manuell annotiert. Es kann gezeigt werden, dass die CNN-basierte Schwaderkennung bei kleinem Volumen eine höhere Genauigkeit erreicht.deGrünlandSchwaderkennungConvolutional Neural NetworkText/Conference Paper1617-5468