{"id":28489,"date":"2026-10-27T13:35:37","date_gmt":"2026-10-27T12:35:37","guid":{"rendered":"https:\/\/www.proefschriftmaken.nl\/portfolio\/zhen-cao\/"},"modified":"2026-10-31T11:41:28","modified_gmt":"2026-10-31T10:41:28","slug":"zhen-cao","status":"publish","type":"us_portfolio","link":"https:\/\/www.proefschriftmaken.nl\/en\/portfolio\/zhen-cao\/","title":{"rendered":"Zhen Cao"},"content":{"rendered":"","protected":true},"featured_media":28490,"template":"","meta":{"_acf_changed":false},"university_us_portfolio":[29],"class_list":["post-28489","us_portfolio","type-us_portfolio","status-publish","post-password-required","hentry","university_us_portfolio-wageningen-university"],"acf":{"main_text":"","naam_van_het_proefschift":"Real-time UAV-based Fruit Perception in Orchards","samenvatting":"Dit proefschrift onderzoekt hoe fruitwaarneming met behulp van UAV's (onbemande luchtvaartuigen) kan verschuiven van offline beeldanalyse naar de real-time levering van informatie op boom- of clusterniveau onder veldomstandigheden. Het verkent hoe sensoren, berekeningen, communicatie, modelontwerp en gezichtspuntgeometrie samen de praktische inzet van UAV's in boomgaarden en wijngaarden be\u00efnvloeden, met een focus op het leveren van informatie binnen het tijdsbestek waarin beheersbeslissingen nog kunnen worden genomen.\n\nHet onderzoek volgt drie hoofdstappen. Ten eerste wordt de datalast van UAV-video aangepakt door een detector aan boord te gebruiken die alleen die frames en regio's selecteert en comprimeert die fruit bevatten. Dit vermindert de beeldgegevens die naar een edge-server worden verzonden, terwijl er voldoende detail behouden blijft voor tracking en segmentatie. Ten tweede evalueert het de afweging tussen nauwkeurigheid en snelheid voor kleine fruitdoelen op embedded hardware. Het toont aan dat hogere invoerresoluties nodig zijn voor minuscule doelen, wat op zijn beurt de framesnelheid beperkt, en dat het verminderen van precisie (kwantisering) de detectie van klein fruit onevenredig schaadt. Ten slotte ontwikkelt het proefschrift een aanpak voor het tellen van appels in dichte bladerdaken door twee tegenoverliggende schuine aanzichten van elke boom te combineren, waarbij gebruik wordt gemaakt van directe georeferentie in plaats van complexe 3D-reconstructie.\n\nHoofdstuk 6 brengt de bevindingen samen en reflecteert op wat ze betekenen voor real-time fruitmonitoring. De drie experimentele hoofdstukken laten samen zien dat real-time fruitperceptie wordt begrensd door twee limieten die tegelijkertijd optreden: wat de detector in een enkel frame kan oplossen en wat het luchtbeeld van het gehele bladerdak kan zien. In de praktijk laat het proefschrift zien dat wijngaardmonitoring de vliegsnelheid kan bijhouden en dat appel-schattingen per boom gereed kunnen zijn binnen een enkele missie. Het proefschrift draagt bij aan een overzicht van de real-time UAV-detectieworkflow, een offloading-pijplijn die slechts een fractie van de video verzendt, bewijs dat de nauwkeurigheid van de detectie voor klein fruit het meest daalt wanneer de inferentie wordt versneld op embedded apparaten, en een telmethode die resultaten per boom oplevert binnen \u00e9\u00e9n vlucht. Toekomstig werk zou deze methoden moeten valideren over meer locaties en cultivars, en de detectie van klein fruit moeten verbeteren door kwantisatie-bewuste training en lichtere Transformer-ontwerpen. Op de langere termijn kan vluchtplanning onderdeel worden van het perceptiesysteem, waarbij de UAV extra gezichtspunten toevoegt waar fruit verborgen is of een telling onbetrouwbaar lijkt.","summary":"This thesis investigates how UAV-based fruit perception can move from offline image analysis toward real-time delivery of tree- or cluster-level information under field conditions. It explores how sensing, computation, communication, model design, and viewpoint geometry together affect practical UAV deployments in orchards and vineyards, focusing on delivering information within the time window where management decisions can still be acted on.\n\nThe research follows three main steps. First, it addresses the data burden of UAV video by using an onboard detector to select and compress only those frames and regions that contain fruit. This reduces the image data sent to an edge server while maintaining enough detail for downstream tracking and segmentation. Second, it evaluates the trade-off between accuracy and speed for small fruit targets on embedded hardware. It shows that higher input resolutions are needed for tiny targets, which in turn limits the frame rate, and that reducing precision (quantization) disproportionately hurts the detection of small fruit. Finally, the thesis develops an approach for counting apples in dense canopies by combining two opposite oblique views of each tree, using direct georeferencing instead of complex 3D reconstruction.\n\nChapter 6 brings the findings together and reflects on what they mean for real-time fruit monitoring. Together the three experimental chapters show that real-time fruit perception is bounded by two limits that act at the same time, what the detector can resolve in a single frame and what the aerial view can see of the whole canopy. In practice, the thesis shows that vineyard monitoring can keep up with flight speed and that per-tree apple estimates can be ready within a single mission, although both still await full closed-loop field deployment. The thesis contributes an overview of the real-time UAV detection workflow and its two deployment paradigms, an offloading pipeline that transmits only a fraction of the video, evidence that detection accuracy for small fruit drops the most when inference is sped up on embedded devices, and a counting method that returns per-tree results within one flight. Future work should validate these methods across more sites, cultivars, and seasons, and improve small-fruit detection through quantization-aware training and lighter Transformer designs. In the longer term, flight planning can become part of the perception system. Instead of following a fixed flight route, the UAV can add viewpoints where fruit is hidden or a count looks unreliable. The per-tree results can then feed directly into the decisions of growers and field robots or other UAVs.","auteur":"Zhen Cao","auteur_slug":"zhen-cao","publicatiedatum":"16 november 2026","taal":"EN","url_flipbook":"https:\/\/ebook.proefschriftmaken.nl\/ebook\/zhencao?iframe=true","url_download_pdf":"https:\/\/ebook.proefschriftmaken.nl\/download\/cf6331dc-5499-40bf-b868-7722abc0712c\/highres","url_epub":"","ordernummer":"19763","isbn":"","doi_nummer":"10.18174\/681258","naam_universiteit":"Wageningen University","afbeeldingen":28490,"video_url":"","podcast_url":"","naam_student:":"","binnenwerk":"","universiteit":"Wageningen University","cover":"","afwerking":"","cover_afwerking":"","design":""},"_links":{"self":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/28489","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio"}],"about":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/types\/us_portfolio"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media\/28490"}],"wp:attachment":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media?parent=28489"}],"wp:term":[{"taxonomy":"university_us_portfolio","embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/university_us_portfolio?post=28489"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}