The optimization of crop harvesting processes for commonly cultivated crops is of great importance in the aim of agricultural industrialization. Nowadays, the utilization of machine vision has enabled the automated identification of crops, leading to the enhancement of harvesting efficiency, but challenges still exist. This study presents a new framework that combines two separate architectures of Convolutional Neural Networks (CNNs) in order to simultaneously accomplish the tasks of crop detection and harvesting (robotic manipulation) inside a simulated environment. Crop images in the simulated environment are subjected to random rotations, cropping, brightness, and contrast adjustments to create augmented images for dataset generation. The You Only Look Once(YOLO) algorithmic framework is employed with traditional Rectangular Bounding Boxes (R-Bbox) for crop localization. The proposed method subsequently utilises the acquired image data via a visual geometry group model in order to reveal the grasping positions for the robotic manipulation.

This paper proposes a new disturbance observer (DO)-based reinforcement learning (RL) control approach for nonlinear systems with unmatched (generalized) disturbances. While a nonlinear disturbance observer (NDO) is utilized to measure the plant uncertainties, disturbances can exist in the plant via distinct channels from those of the control signals; so-called mismatched disturbances are theoretically difficult to attenuate within the channel of the system's states. A generalized disturbance observer-based compensator is implemented to address the uncertainty cancellation problem by removing the influence of uncertainties from the output channels. Con-currently, a composite actor-critic RL scheme is utilized for approximating the optimal control policy as well as the ideal value function pertaining to the compensated system by solving a Hamilton-Jacobi-Bellman (HJB) equation for both online and offline iterations simultaneously. Stability analysis verifies the convergence of the proposed framework. Simulation results are included to illustrate the effectiveness of the proposed scheme.

Previous studies have shown that electroencephalogram (EEG) can be used in estimating mental workload. However, developing fast and reliable models for cross-task, cross-subject and cross-session classifications of workload remains a challenge. In this study, a wireless Emotiv EPOC headset was used to evaluate workload in two different mental tasks: n-back task and mental arithmetic task. 0-back task and 2-back task were employed as low and high workload in the n-back task while 1-digit and 3-digit addition were used as the two different workload levels in the arithmetic task. Using power spectral density as features, a fast signal processing and feature extraction framework was developed to facilitate real-time estimation of workload. Within-session accuracies of 98.5% and 95.5% were achieved in the n-back and arithmetic tasks respectively. Adaptive subspace feature matching (ASFM) was applied for cross-session, cross-task and cross-subject classifications. The feature adaptation provided average cross-session accuracies of 80.5% and 74.4% in the n-back and the arithmetic tasks respectively. An average cross-task accuracy of 68.6% was achieved while cross-subject accuracies were 74.4% and 64.1% in the n-back and arithmetic tasks respectively. The framework generalized well across subjects and tasks, and it provided a promising approach towards developing subject and task-independent models. This study also shows that a consumer-level wireless EEG headset can be applied in cognitive monitoring for real-time estimation of workload in practice.

Abstract The development and application of artificial intelligence-based computer vision systems in medicine, environment, and industry are playing an increasingly prominent role. Hence, the need for optimal and efficient hyperparameter tuning strategies is more than crucial to deliver the highest performance of the deep learning networks in large and demanding datasets. In our study, we have developed and evaluated a new training methodology named deep multi-metric training (DMMT) for enhanced training performance. The DMMT delivers a state of robust learning for deep networks using a new important criterion of multi-metric performance evaluation. We have tested the DMMT methodology in multi-class (three, four, and ten), multi-vendors (different X-ray imaging devices), and multi-size (large, medium, and small) datasets. The validity of the DMMT methodology has been tested in three different classification problems: (i) medical disease classification, (ii) environmental classification, and (iii) ecological classification. For disease classification, we have used two large COVID-19 chest X-rays datasets, namely the BIMCV COVID-19+ and Sheffield hospital datasets. The environmental application is related to the classification of weather images in cloudy, rainy, shine or sunrise conditions. The ecological classification task involves a classification of three animal species (cat, dog, wild) and a classification of ten animals and transportation vehicles categories (CIFAR-10). We have used state-of-the-art networks of DenseNet-121, ResNet-50, VGG-16, VGG-19, and DenResCov-19 (DenRes-131) to verify that our novel methodology is applicable in a variety of different deep learning networks. To the best of our knowledge, this is the first work that proposes a training methodology to deliver robust learning , over a variety of deep learning networks and multi-field classification problems.