Download the Full Ebook and Access More Features - ebooknice.

com

(Ebook) Computer Vision and Machine Learning in

Agriculture (Algorithms for Intelligent Systems)
by Mohammad Shorif Uddin (editor), Jagdish Chand
Bansal (editor) ISBN 9789813364233, 9813364238
https://ebooknice.com/product/computer-vision-and-machine-
learning-in-agriculture-algorithms-for-intelligent-
systems-36150398

OR CLICK HERE

DOWLOAD EBOOK

Download more ebook instantly today at https://ebooknice.com

 Instant digital products (PDF, ePub, MOBI) ready for you
Download now and discover formats that fit your needs...

Start reading on any device today!

(Ebook) Proceedings of International Joint Conference on

Computational Intelligence: IJCCI 2019 by Mohammad Shorif
Uddin, Jagdish Chand Bansal ISBN 9789811536069,
9789811536076, 9811536066, 9811536074
https://ebooknice.com/product/proceedings-of-international-joint-
conference-on-computational-intelligence-ijcci-2019-22476876

ebooknice.com

(Ebook) Vagabond, Vol. 29 (29) by Inoue, Takehiko ISBN

9781421531489, 1421531488

https://ebooknice.com/product/vagabond-vol-29-29-37511002

ebooknice.com

(Ebook) Boeing B-29 Superfortress ISBN 9780764302725,

0764302728

https://ebooknice.com/product/boeing-b-29-superfortress-1573658

ebooknice.com

(Ebook) 29, Single and Nigerian by Naijasinglegirl ISBN

9781310004216, 1310004218

https://ebooknice.com/product/29-single-and-nigerian-53599780

ebooknice.com
(Ebook) Jahrbuch für Geschichte: Band 29 ISBN
9783112622223, 3112622227

https://ebooknice.com/product/jahrbuch-fur-geschichte-band-29-50958290

ebooknice.com

(Ebook) Harrow County 29 by Cullen Bunn, Tyler Crook

https://ebooknice.com/product/harrow-county-29-53599548

ebooknice.com

(Ebook) Organometallic Chemistry, Volume 29 by M. Green

ISBN 0854043284

https://ebooknice.com/product/organometallic-chemistry-
volume-29-2440106

ebooknice.com

(Ebook) Advances in Insect Physiology, Vol. 29 by Peter

Evans ISBN 9780120242290, 012024229X

https://ebooknice.com/product/advances-in-insect-physiology-
vol-29-1308058

ebooknice.com

(Ebook) Intelligent Tutoring Systems: 18th International

Conference, ITS 2022, Bucharest, Romania, June 29 – July
1, 2022, Proceedings by Scott Crossley, Elvira Popescu
ISBN 9783031096792, 3031096797
https://ebooknice.com/product/intelligent-tutoring-systems-18th-
international-conference-its-2022-bucharest-romania-
june-29-july-1-2022-proceedings-44187764
ebooknice.com
Algorithms for Intelligent Systems
Series Editors: Jagdish Chand Bansal · Kusum Deep · Atulya K. Nagar

Mohammad Shorif Uddin

Jagdish Chand Bansal Editors

Computer Vision
and Machine
Learning in
Agriculture
Algorithms for Intelligent Systems

Series Editors
Jagdish Chand Bansal, Department of Mathematics, South Asian University,
New Delhi, Delhi, India
Kusum Deep, Department of Mathematics, Indian Institute of Technology Roorkee,
Roorkee, Uttarakhand, India
Atulya K. Nagar, School of Mathematics, Computer Science and Engineering,
Liverpool Hope University, Liverpool, UK
This book series publishes research on the analysis and development of algorithms for
intelligent systems with their applications to various real world problems. It covers
research related to autonomous agents, multi-agent systems, behavioral modeling,
reinforcement learning, game theory, mechanism design, machine learning, meta-
heuristic search, optimization, planning and scheduling, artificial neural networks,
evolutionary computation, swarm intelligence and other algorithms for intelligent
systems.
The book series includes recent advancements, modification and applications of
the artificial neural networks, evolutionary computation, swarm intelligence, artifi-
cial immune systems, fuzzy system, autonomous and multi agent systems, machine
learning and other intelligent systems related areas. The material will be benefi-
cial for the graduate students, post-graduate students as well as the researchers who
want a broader view of advances in algorithms for intelligent systems. The contents
will also be useful to the researchers from other fields who have no knowledge of
the power of intelligent systems, e.g. the researchers in the field of bioinformatics,
biochemists, mechanical and chemical engineers, economists, musicians and medical
practitioners.
The series publishes monographs, edited volumes, advanced textbooks and
selected proceedings.

More information about this series at http://www.springer.com/series/16171

Mohammad Shorif Uddin · Jagdish Chand Bansal
Editors

Computer Vision
and Machine Learning
in Agriculture
Editors
Mohammad Shorif Uddin Jagdish Chand Bansal
Department of Computer Science Department of Applied Mathematics
and Engineering South Asian University
Jahangirnagar University New Delhi, India
Dhaka, Bangladesh

ISSN 2524-7565 ISSN 2524-7573 (electronic)

Algorithms for Intelligent Systems
ISBN 978-981-33-6423-3 ISBN 978-981-33-6424-0 (eBook)
https://doi.org/10.1007/978-981-33-6424-0

© The Editor(s) (if applicable) and The Author(s), under exclusive license to Springer Nature Singapore
Pte Ltd. 2021
This work is subject to copyright. All rights are solely and exclusively licensed by the Publisher, whether
the whole or part of the material is concerned, specifically the rights of translation, reprinting, reuse
of illustrations, recitation, broadcasting, reproduction on microfilms or in any other physical way, and
transmission or information storage and retrieval, electronic adaptation, computer software, or by similar
or dissimilar methodology now known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this publication
does not imply, even in the absence of a specific statement, that such names are exempt from the relevant
protective laws and regulations and therefore free for general use.
The publisher, the authors and the editors are safe to assume that the advice and information in this book
are believed to be true and accurate at the date of publication. Neither the publisher nor the authors or
the editors give a warranty, expressed or implied, with respect to the material contained herein or for any
errors or omissions that may have been made. The publisher remains neutral with regard to jurisdictional
claims in published maps and institutional affiliations.

This Springer imprint is published by the registered company Springer Nature Singapore Pte Ltd.
The registered company address is: 152 Beach Road, #21-01/04 Gateway East, Singapore 189721,
Singapore
Preface

In recent years, computer vision, a noncontact- as well as a nondestructive-technique

involving the development of theoretical and algorithmic tools for automatic visual
understanding and recognition finds huge applications in agricultural productions.
Rendering the machine learning techniques to computer vision algorithms is boosting
this sector with better productivity by developing more precise systems.
Computer vision and Machine learning (CV-ML) helps in plant disease assessment
along with crop condition monitoring to control the degradation of yield, quality, and
severe financial loss for farmers. Significant scientific and technological advances
have been made in defect assessment, quality grading, disease recognition, pests,
insects, fruits, and vegetable recognition and evaluation of a wide range of agricultural
plants, crops, leaves, and fruits. Intelligent robots and drones developed with the
touch of CV-ML can help farmers to perform various tasks like planting, weeding,
harvesting, plant health monitoring, and so on.
This book is intended to publish the latest advances and developments in the field
of computer vision, machine learning including deep learning tools and techniques in
assessing and monitoring agricultural products and productions. The topics covered
include plant, leaf, and fruit-disease detection, crop health monitoring, applications
of robots and drones in agriculture, precision farming, assessment of product quality
and defects, pest, insect, fruits, and vegetable types recognition, etc. It contains 11
chapters.
Chapter “Introduction to Computer Vision and Machine Learning Applications
in Agriculture” highlights an introduction to computer vision and machine learning
applications in agriculture. Chapter “Robots and Drones in Agriculture—A Survey”
provides a comprehensive survey on several robotic applications in agriculture such
as navigation, grafting, picking, weeding, spraying, harvesting, etc. It also illus-
trates the commercialization and challenges of real-fields applications of robots and
drones in drones in boosting agricultural productions. Chapter “Detection of Rotten
Fruits and Vegetables Using Deep Learning” describes a computer vision-based
deep convolutional neural network for the detection of rotten fruits and vegetables.
It performs experimentation with a dataset containing enough number of images

v
vi Preface

of fresh and rotten fruits and confirms that the proposed deep learning architec-
ture outperforms the existing approaches. Chapter Deep Learning-Based Essen-
tial Paddy Pests’ Filtration Technique for Economic Damage Management” illus-
trates a region-based deep convolutional neural network known as Faster R-CNN to
perform the detection and identification of both beneficial and non-beneficial paddy
pests from the images. It has investigated three models of Faster R-CNN based on
ResNet-101, VGG-16, and MobileNet and has obtained the highest accuracy from
the ResNet-101-based Faster R-CNN. Besides, it developed an extensive dataset
of paddy pests. Chapter “Deep CNN-Based Mango Insect Classification” discusses
the creation of a quality dataset containing three different types of common mango
insects. After that, it performs a classification of insects using an ensemble of three
fine-tuned deep learning models, namely Xception, MobileNet, and VGG19. The
ensemble model achieves a very good classification accuracy. Chapter “Implemen-
tation of a Convolutional Neural Network for the Detection of Tomato-Leaf Diseases”
shows the implementation of a deep convolutional neural network for the early detec-
tion of tomato leaf diseases. Chapter “A Multi-Plant Disease Diagnosis Method
Using Convolutional Neural Network” presents an optimal plant disease diagnosis
model for multiple plants using convolutional neural networks. Chapter “A Deep
Learning-Based Approach for Potato Disease Classification” investigates an early
detection of potato disease through different deep CNN strategies by developing a
dataset containing 7870 images of various diseases. Based on accuracy, precision,
recall, and F1 score it finds that the ResNet is the best model for this particular
application. Chapter “An In-Depth Analysis of Different Segmentation Techniques
in Automated Local Fruit Disease Recognition” describes four different segmenta-
tion strategies, such as Otsu’s method, K-means clustering, fuzzy c-means clustering,
and region growing for the extraction of defective regions of the defective region of
three common fruits of Bangladesh, namely guava, jackfruit, and papaya. K-means
clustering technique gives the best performance among these segmentation tech-
niques based on six quantitative analysis metrics by attaining an aggregate accuracy
of 81.65%. Chapter “Machine Vision-Based Fruit and Vegetable Disease Recog-
nition: A Review” presents a comprehensive survey of the recent advancement of
computer vision and machine learning research efforts for fruit and vegetable disease
recognition. It also shows a comparative study on these efforts based to find state-
of-the-art techniques and shows ways for future research. Chapter “An Efficient
Bag-of-Features for Diseased Plant Identification” proposes a bag-of-features based
diseased plant identification method using gray relational analysis. It presents the
experimental results on a publicly available leaf-image dataset (PlantVillage).
This book is expected to be very useful the researchers, academicians, undergrad-
uate and postgraduate students who wish to work and explore the applications of
computer vision and machine learning systems in the agricultural sector for boosting
productions.
Preface vii

We sincerely appreciate the time, effort, and contribution of the authors and
esteemed reviewers in maintaining the quality of the papers. Special thanks to the
editors and supporting team of Springer for helping in publishing this book.

Dhaka, Bangladesh Mohammad Shorif Uddin

New Delhi, India Jagdish Chand Bansal
Contents

Introduction to Computer Vision and Machine Learning

Applications in Agriculture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Mohammad Shorif Uddin and Jagdish Chand Bansal
Robots and Drones in Agriculture—A Survey . . . . . . . . . . . . . . . . . . . . . . . . 9
Rabeya Basri, Fahmida Islam, Sumaita Binte Shorif,
and Mohammad Shorif Uddin
Detection of Rotten Fruits and Vegetables Using Deep Learning . . . . . . . 31
Susovan Jana, Ranjan Parekh, and Bijan Sarkar
Deep Learning-Based Essential Paddy Pests’ Filtration Technique
for Economic Damage Management . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Md. Zahid Hasan, Nahid Zeba, Sumaita Binte Shorif, and Morium Akter
Deep CNN-Based Mango Insect Classification . . . . . . . . . . . . . . . . . . . . . . . . 67
Muntaka Rahat, Mehedi Hasan, Md. Mahmodul Hasan,
Md. Tarequl Islam, Md. Syfur Rahman, A. K. M. Kamrul Islam,
and Mohammad Motiur Rahman
Implementation of a Convolutional Neural Network
for the Detection of Tomato-Leaf Diseases . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
Md. Ismail Jabiullah, Shovon Ahammed, Mostafizur Rahman,
Mahedi Hasan, and Kawser Ahmed
A Multi-Plant Disease Diagnosis Method Using Convolutional
Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
Muhammad Mohsin Kabir, Abu Quwsar Ohi, and M. F. Mridha
A Deep Learning-Based Approach for Potato Disease Classification . . . . 113
Md. Zahid Hasan, Nusrat Zahan, Nahid Zeba, Amina Khatun,
and Mohammad Reduanul Haque

ix
x Contents

An In-Depth Analysis of Different Segmentation Techniques

in Automated Local Fruit Disease Recognition . . . . . . . . . . . . . . . . . . . . . . . 127
Md. Tarek Habib, Amina Khatun, Md. Abdul Aziz,
Mohammad Shorif Uddin, and Farruk Ahmed
Machine Vision-Based Fruit and Vegetable Disease Recognition:
A Review . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Md. Tarek Habib, Md. Ariful Islam Arif, Sumaita Binte Shorif,
Mohammad Shorif Uddin, and Farruk Ahmed
An Efficient Bag-of-Features for Diseased Plant Identification . . . . . . . . . 159
Raju Pal, Himanshu Mittal, Avinash Pandey, and Mukesh Saraswat
Editors and Contributors

About the Editors

Prof. Mohammad Shorif Uddin received his Ph.D. degree in Information Science
from Kyoto Institute of Technology in 2002, Japan, Master of Technology Educa-
tion degree from Shiga University, Japan, in 1999, Bachelor of Electrical and
Electronic Engineering degree from Bangladesh University of Engineering and Tech-
nology in 1991, and also MBA from Jahangirnagar University in 2013. He began
his teaching career as Lecturer in 1991 at Bangladesh Institute of Technology, Chit-
tagong (Renamed as CUET). He joined the Department of Computer Science and
Engineering of Jahangirnagar University in 1992, and currently, he is Professor of
this department. In addition, he is Teacher-in-Charge of ICT Cell of Jahangirnagar
University. He served as Chairman of Computer Science and Engineering of Jahangir-
nagar University from June 2014 to June 2017. He undertook postdoctoral researches
at Bioinformatics Institute, Singapore, Toyota Technological Institute, Japan, Kyoto
Institute of Technology, Japan, Chiba University, Japan, Bonn University, Germany,
and Institute of Automation, Chinese Academy of Sciences, China. His research is
motivated by applications in the fields of artificial intelligence, imaging informatics,
and computer vision. Mohammad Uddin is IEEE Senior Member and Fellow of
Bangladesh Computer Society (BCS) and The Institution of Engineers Bangladesh
(IEB). He has lectured a good number of undergraduate and graduate courses, wrote
more than 140 journal and conference papers, and organized some national and
international conferences and seminars. He had delivered a remarkable number of
keynotes and invited talks and acted as General Chair as well as TPC Chair of
many international conferences. He holds two patents for his scientific inventions
and received the Best Paper Award in the International Conference on Informatics,
Electronics & Vision (ICIEV2013), Dhaka, Bangladesh, and Best Presenter Award
from the International Conference on Computer Vision and Graphics (ICCVG 2004),
Warsaw, Poland. He is an Associate Editor of IEEE Access.

xi
xii Editors and Contributors

Dr. Jagdish Chand Bansal is Associate Professor at South Asian University New
Delhi and Visiting Faculty at Maths and Computer Science, Liverpool Hope Univer-
sity UK. Dr. Bansal has obtained his Ph.D. in Mathematics from IIT Roorkee. Before
joining SAU New Delhi, he has worked as Assistant Professor at ABV-Indian Insti-
tute of Information Technology and Management Gwalior and BITS Pilani. His
primary area of interest is swarm intelligence and nature-inspired optimization tech-
niques. Recently, he proposed a fission–fusion social structure-based optimization
algorithm, Spider Monkey Optimization (SMO), which are being applied to various
problems from engineering domain. He has published more than 70 research papers
in various international journals/conferences. He is Series Editor of the book series
Algorithms for Intelligent Systems (AIS) and Studies in Autonomic, Data-driven and
Industrial Computing (SADIC) published by Springer. He is Editor-in-Chief of the
International Journal of Swarm Intelligence (IJSI) published by Inderscience. He is
also Associate Editor of IEEE ACESSS published by IEEE and ARRAY published
by Elsevier. He is Steering Committee Member and General Chair of the annual
conference series SocProS. He is General Secretary of Soft Computing Research
Society (SCRS). He has also received Gold Medal at UG and PG levels.

Contributors

Shovon Ahammed Department of Computer Science and Engineering, Daffodil

International University, Dhaka, Bangladesh
Farruk Ahmed Department of Computer Science and Engineering, Independent
University, Dhaka, Bangladesh
Kawser Ahmed Department of Computer Science and Engineering, Daffodil
International University, Dhaka, Bangladesh
Morium Akter Department of Computer Science and Engineering, Jahangirnagar
University, Dhaka, Bangladesh
Md. Ariful Islam Arif Department of Computer Science and Engineering,
Daffodil International University, Dhaka, Bangladesh
Md. Abdul Aziz Department of Computer Science and Engineering, Daffodil
International University, Dhaka, Bangladesh
Jagdish Chand Bansal Department of Applied Mathematics, South Asian Univer-
sity, New Delhi, India
Rabeya Basri Department of Computer Science and Engineering, Jahangirnagar
University, Savar, Dhaka, Bangladesh
Md. Tarek Habib Department of Computer Science and Engineering, Jahangir-
nagar University, Dhaka, Bangladesh;
Editors and Contributors xiii

Department of Computer Science and Engineering, Daffodil International University,

Dhaka, Bangladesh
Mohammad Reduanul Haque Department of Computer Science and Engineering,
Daffodil International University, Dhaka, Bangladesh
Mahedi Hasan Department of Computer Science and Engineering, Daffodil Inter-
national University, Dhaka, Bangladesh
Md. Mahmodul Hasan Department of Computer Science and Engineering,
Mawlana Bhashani Science and Technology University, Santosh, Tangail,
Bangladesh
Md. Zahid Hasan Department of Computer Science and Engineering, Daffodil
International University, Dhaka, Bangladesh
Mehedi Hasan Department of Computer Science and Engineering, Mawlana
Bhashani Science and Technology University, Santosh, Tangail, Bangladesh
A. K. M. Kamrul Islam Department of Computer Science and Engineering,
Mawlana Bhashani Science and Technology University, Santosh, Tangail,
Bangladesh;
Department of Computer Science, Georgia State University, Atlanta, GA, USA
Fahmida Islam Department of Computer Science and Engineering, Jahangirnagar
University, Savar, Dhaka, Bangladesh
Md. Tarequl Islam Department of Information and Communication Technology,
ICT Division, Dhaka, Bangladesh
Md. Ismail Jabiullah Department of Computer Science and Engineering, Daffodil
International University, Dhaka, Bangladesh
Susovan Jana School of Education Technology, Jadavpur University, Kolkata,
India
Muhammad Mohsin Kabir Bangladesh University of Business and Technology,
Dhaka, Bangladesh
Amina Khatun Department of Computer Science and Engineering, Jahangirnagar
University, Dhaka, Bangladesh
Himanshu Mittal Jaypee Institute of Information Technology, Noida, India
M. F. Mridha Bangladesh University of Business and Technology, Dhaka,
Bangladesh
Abu Quwsar Ohi Bangladesh University of Business and Technology, Dhaka,
Bangladesh
Raju Pal Jaypee Institute of Information Technology, Noida, India
Avinash Pandey Jaypee Institute of Information Technology, Noida, India
xiv Editors and Contributors

Ranjan Parekh School of Education Technology, Jadavpur University, Kolkata,

India
Muntaka Rahat Department of Computer Science and Engineering, Mawlana
Bhashani Science and Technology University, Santosh, Tangail, Bangladesh
Md. Syfur Rahman Education Management Information System (EMIS) Cell,
Ministry of Education, Dhaka, Bangladesh
Mohammad Motiur Rahman Department of Computer Science and Engi-
neering, Mawlana Bhashani Science and Technology University, Santosh, Tangail,
Bangladesh
Mostafizur Rahman Department of Computer Science and Engineering, Daffodil
International University, Dhaka, Bangladesh
Mukesh Saraswat Jaypee Institute of Information Technology, Noida, India
Bijan Sarkar Department of Production Engineering, Jadavpur University,
Kolkata, India
Sumaita Binte Shorif Department of Computer Science and Engineering,
Jahangirnagar University, Savar, Dhaka, Bangladesh
Mohammad Shorif Uddin Department of Computer Science and Engineering,
Jahangirnagar University, Savar, Dhaka, Bangladesh
Nusrat Zahan Department of Computer Science and Engineering, Daffodil Inter-
national University, Dhaka, Bangladesh
Nahid Zeba Department of Computer Science and Engineering, Daffodil Interna-
tional University, Dhaka, Bangladesh
Introduction to Computer Vision
and Machine Learning Applications
in Agriculture

Mohammad Shorif Uddin and Jagdish Chand Bansal

1 Introduction

Computer vision and machine learning (CVML) techniques in agriculture play a

major role to meet the increasing demand for food production [1, 2]. Population
growth with rapid urbanization has made a drastic hike in food demand [3] including
effective food production rate with a limited amount of cultivable lands and other
resources in a sustainable way for precision agriculture [4, 5]. In recent years, the
usage of computer vision techniques using expert machine learning algorithms in
agriculture has significantly increased to enhance the efficiency of crop productivity
in a more cost-effective manner [6, 7]. Research on CVML in agriculture has grabbed
the attention for increased food production with minimum production costs due to
the replacement of the traditional labor-intensive time-consuming works through
the machine-based expert systems [8, 9]. Machine learning algorithms use Graphics
Processing Units (GPUs) to analyze a massive amount of complex data to develop
computational models with a high parallel processing capacity [10]. Thus, CVML
techniques in the GPU environment have been widely used to perform diverse agricul-
tural tasks by processing numerous images captured by humans, robots, drones, and
other remote sensors to attain agricultural sustainability [11, 12]. On the contrary,
computer vision approaches with deep convolutional neural network (CNN) have
been increased in high-level scene understanding due to their intensive accuracy
in feature representations [13–15] instead of traditional handcrafted classification

M. S. Uddin (B)
Department of Computer Science and Engineering, Jahangirnagar University, Savar, Dhaka,
Bangladesh
e-mail: [email protected]
J. C. Bansal
Department of Applied Mathematics, South Asian University, New Delhi, India
e-mail: [email protected]

© The Author(s), under exclusive license to Springer Nature Singapore Pte Ltd. 2021 1
M. S. Uddin and J. C. Bansal (eds.), Computer Vision and Machine Learning
in Agriculture, Algorithms for Intelligent Systems,
https://doi.org/10.1007/978-981-33-6424-0_1
2 M. S. Uddin and J. C. Bansal

of images [16]. This chapter presents an introduction to the CVML technologies in

agriculture with current challenges and explores further scopes to develop an efficient
reference for researchers.
The rest of the chapter is organized as follows: an introduction to CVML technolo-
gies in agricultural automation is presented in Sect. 2. Section 3 discusses the current
challenges and future endeavors of CVML applications in agriculture. Finally, Sect. 4
provides a conclusion.

2 Computer Vision and Machine Learning in Agriculture

Computer vision is a high-level image processing that can automatically perform

the diverse tasks of automatic detection, recognition, classification, monitoring of
objects by analyzing the acquired images. A simple diagram of the computer vision
flow process is shown in Fig. 1. Different machine learning strategies have emerged
that can be easily combined with the computer vision process and gives better accu-
racy. Recently, deep learning strategies, such as CNN/RNN (convolutional neural
network/recurrent neural network), have been widely used along with a vision-based

Fig. 1 A schematic flow diagram of the simple computer vision-based system

Fig. 2 A schematic flow diagram of computer vision-based machine learning as well as a deep
learning system
Introduction to Computer Vision and Machine Learning … 3

Table 1 Shows the different

Traditional machine learning Deep learning algorithms
machine-learning and deep
algorithms
learning approaches used in
agricultural applications • Bayesian networks • Multilayer Perceptron Neural
• Logistic regression Network (MLPNN)
• Decision trees • Convolutional Neural
• Bagging Network (CNN)
• Boosting • Recurrent Neural Network
• Random forests (RNN)
• K-nearest neighbor • Long Short-Term Memory
• Support vector machine Network (LSTM)
(SVM) • Generative Adversarial
• Artificial neural network Network (GAN)
(ANN) • Deep Belief Network (DBN)
• Genetic algorithm (GA) • Recursive Neural Network
• Principal component • Region-based CNN
analysis (PCA) (R-CNN), Fast R-CNN,
• K-means clustering Faster R-CNN

system that gives an extraordinary improvement of accuracy. Figure 2 shows a flow

diagram of machine learning/deep learning along with a vision-based process.
In Table 1, we have mentioned the different machine-learning and deep learning
approaches used in agricultural applications. As deep CNN is now, a de facto tool for
diverse prediction, detection, recognition, classification, and clustering tasks; hence,
we have summarized the different CNN models used in agricultural applications in
Table 2.
Computer vision with machine learning has been applied in agriculture for more
efficient and faster crop production to minimize the production cost and labor effort
[17]. The applications of CVML in agriculture are summarized in Table 3.
A brief description of CVML applications is described below.
(a) Crop Growth Monitoring
Crop growth monitoring is one of the significant aspects of precision agricul-
ture that uses a camera to capture images at different growth stages to improve

Table 2 Shows the different CNN models used in agricultural applications

Benchmark Deep CNN Models

• LeNet
• VGGNet (VGG 16, VGG 19)
• ResNet (ResNet 50, ResNeXt 50)
• DenseNet (DenseNet 121, DenseNet 161, DenseNet 201)
• GoogleNet (Inception V1, Inception V3, Inception V4)
• Xception
• AlexNet
• MobileNet
• NASNetMobile
4 M. S. Uddin and J. C. Bansal

Table 3 Computer vision

Technique Application
and machine learning
(CVML) application tasks in Computer vision and machine Crop growth monitoring
agriculture learning Disease, pest, and weed
detection
Automatic crop harvesting
Product inspection and quality
testing
Plant phenotyping
Species recognition
Yield prediction
Water management
Soil management

production efficiency by reducing monitoring time and labor work. CVML tech-
niques can detect the delicate changes in crop growth due to malnutrition at an
early stage and efficiently monitoring crop health regularly [18–20].
(b) Diseases, Weeds, and Insects Detection
CVML uses diverse techniques in different types of crop diseases, pest, and
weed detection [21–28]. An overall review of the use of vision-based systems
in pests, diseases, and weeds detection was presented in [29].
(c) Automatic Crop Harvesting
CVML has brought revolutionary changes in the automation of different types
of vegetables and fruits harvesting such as cucumber, apple, cherries, etc. using
robotic systems [30–32].
(d) Product Inspection and Quality Testing
Several CVML techniques have been applied for inspection and quality testing
of agricultural products particularly for fruits and vegetables and are described
in [33–35].
(e) Plant Phenotyping
Plant phenotyping is a scientific process of identifying physical plant charac-
teristics and function (known as the phenotype) that can be jointly affected by
genotype and environment. In recent years, computer vision technologies with
deep learning have been widely used in plant phenology and phenotyping to
improve plant productivity [36–38].
(f) Species Recognition
CVML can be used for faster detection and classification of plant species to
reduce the classification time without human effort. A research study based on
the identification and classification of three legume species (white beans, red
beans, and soybean) through leaf vein patterns was presented in [39].
(g) Yield Prediction
Yield prediction has become one of the most popular research topics in preci-
sion agriculture as it has outperformed the simple prediction based traditional
Introduction to Computer Vision and Machine Learning … 5

methods for crop yield. Several surveys on yield prediction using machine
learning algorithms have been conducted during the past few years [40–42].
(h) Water Management
Water management has significant impacts on hydrological, climatological, and
agronomical balance in agriculture. Several machine learning algorithms have
been developed to build an effective regular irrigation system based on weather
conditions and evaporation [43–45].
(i) Soil Management
Machine learning algorithms are used to study evaporation processes and measure
soil moisture and temperature for a better understanding of the essential eco-elements
in agriculture [46, 47].

3 Challenges and Future Scopes

As an emerging technology, computer vision combined with machine learning algo-

rithms has become a crucial factor in the development of agricultural efficiency
with spacious prospects in agricultural research. With extensive progress in machine
vision technology, the complexity of agricultural automation has been minimized to
a great extent. In recent years, computer vision-based machine learning algorithms
assembled with GPUs have been widely applied in various agricultural disciplines, as
GPU is mainly used to increase the computing power while processing high-density
data [7]. However, computer vision technology requires more skilled professionals.
Besides, heterogeneous elements in different environments have a diverse impact
on crop production and harvesting. In that case, computer vision technology has been
rigorously applied in complicated environmental situations for its robustness and high
complexity. But at the same time, most of the existing vision-based methods are only
implemented in a laboratory or a customized environment for experimentation that
resulting in a huge inconsistency between the experimental and actual data.
Existing machine vision techniques are limited to completely control specific crop
diseases and pest attacks. Hence, generalized methods need to be developed.
Moreover, the scarcity of large-scale universal datasets has diminished the
research progress in this sector. Thus, agricultural databases should be extended for
research to overcome image acquisition problems in different environmental condi-
tions. Besides, machine vision will require further renovation in terms of unmanned
technology, as it is still not applicable to solve all issues in automated farm manage-
ment and precision agriculture. Thus, scopes for machine vision technology will be
expanded in the future to be more versatile by establishing large-scale datasets.
6 M. S. Uddin and J. C. Bansal

4 Conclusion

This chapter reported an introduction to computer vision and machine learning appli-
cations in agriculture that can be served as a strong reference by illustrating the latest
advancements in agricultural machine vision applications. It will certainly moti-
vate researchers in contributing to the development of agricultural tools for crop
health growth monitoring, disease and pest detection and control, weeding, irriga-
tion, crop management, and harvesting with low cost and high efficiency. Finally, it
can be concluded that in the future, machine vision technology associated with large-
scale datasets will be immensely used in every aspect of agricultural automation to
overcome the current challenges in agriculture.

References

1. Liakos, K.G., Busato, P., Moshou, D., Pearson, S., Bochtis, D.: Machine learning in agriculture:
A review. Sensors 18(8), 1–29 (2018)
2. Bochtis, D.D., Sørensen, C.G.C., Busato, P.: Advances in agricultural machinery management:
A review. Biosys. Eng. 126, 69–81 (2014)
3. Hunter, M., Smith, R., Schipanski, M., Atwood, L., Mortensen, D.: Agriculture in 2050:
Recalibrating targets for sustainable intensification. Bioscience 67(4), 386–391 (2017)
4. Wu, X., Guo, J., Han, M., Chen, G.: An overview of arable land use for the world economy:
From source to sink via the global supply chain. Land Use Policy 76, 201–214 (2018)
5. Aubert, B.A., Schroeder, A., Grimaudo, J.: IT as enabler of sustainable farming: An empirical
analysis of farmers’ adoption decision of precision agriculture technology. Decis. Support Syst.
54(1), 510–520 (2012)
6. Gomes, J.F.S., Leta, F.R.: Applications of computer vision techniques in the agriculture and
food industry: A review. Eur. Food Res. Technol. 235(6), 989–1000 (2012)
7. Rehman, T.U., Mahmud, M.S., Chang, Y.K., Jin, J., Shin, J.: Current and future applications
of statistical machine learning algorithms for agricultural machine vision systems. Comput.
Electron. Agric. 156, 585–605 (2019)
8. Mahajan, S., Das, A., Sardana, H.K.: Image acquisition techniques for assessment of legume
quality. Trends Food Sci. Technol. 42(2), 116–133 (2015)
9. Vithu, P., Moses, J.A.: Machine vision system for food grain quality evaluation: A review.
Trends Food Sci. Technol. 56, 13–20 (2016)
10. Kirk, D.B., Hwu, W.W.: “Programming Massively Parallel Processors,” A Hands-on Approach,
3rd edn. Morgan Kaufmann, San Francisco, CA, USA (2016)
11. Tripicchio, P., Satler, M., Dabisias, G., Ruffaldi, E., Avizzano, C.A.: Towards smart farming
and sustainable agriculture with drones. Int. Conf. Intell. Environ. 140–143 (IEEE, 2015)
12. Wjtowicz, M., Wjtowicz, A., Piekarczyk, J.: Application of remote sensing methods in
agriculture. Commun. Biometry Crop Sci. 11(1), 31–50 (2016)
13. Krizhevsky, A., Sutskever, I., Hinton, G.E.: ImageNet classification with deep convolutional
neural networks. Adv. Neural. Inf. Process. Syst. 25(2), 1097–1105 (2012)
14. C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, A.
Rabinovich: Going deeper with convolutions. In: IEEE Conference on Computer Vision and
Pattern Recognition, pp. 1–9, Boston, MA (2015).
15. Simonyan, K., Zisserman, A.: Very Deep Convolutional Networks for Large-Scale Image
Recognition (2014). Available Online: https://arxiv.org/pdf/1409.1556.
16. Cheng, G., Han, J., Lu, X.: Remote sensing image scene classification: Benchmark and state
of the art. Proc. IEEE 105(10), 1865–1883 (2017)
Introduction to Computer Vision and Machine Learning … 7

17. Mavridou, E., Vrochidou, E., Papakostas, G.A., Pachidis, T., Kaburlasos, V.G.: Machine vision
systems in precision agriculture for crop farming. J. Imaging 5(12), 1–32 (2019)
18. Li, K., Lian, H., Deun, R.V., Brik, M.G.: A far-red-emitting NaMgLaTeO6 :Mn4+ phosphor
with perovskite structure for indoor plant growth. Dyes Pigm. 162, 214–221 (2019)
19. Shimizu, H., Heins, R.: Computer-vision-based system for plant growth analysis. Trans. ASAE
38(3), 959–964 (1995)
20. Tombe, R.: Computer vision for smart farming and sustainable agriculture. In: 2020 IST-Africa
Conference (IST-Africa), Kampala, Uganda, pp. 1–8 (2020)
21. Maharlooei, M., Sivarajan, S., Bajwa, S.G., Harmon, J.P., Nowatzki, J.: Detection of soybean
aphids in a greenhouse using an image processing technique. Comput. Electron. Agric. 132,
63–70 (2017)
22. Xiaolong, L., Ma, Z., Bienvenido, F., Feng, Q., Haiguang, W., Álvarez-Bermejo, J.A.: Devel-
opment of automatic counting system for Urediospores of wheat stripe rust based on image
processing. Int. J. Agric. Biol. Eng. 10(5), 134–143 (2017)
23. Wang, G., Sun, Y., Wang, J.: Automatic image-based plant disease severity estimation using
deep learning. Comput. Intell. Neurosci. 2017, 1–8 (2017)
24. Liu, H., Chahl, J.S.: A multispectral machine vision system for invertebrate detection on green
leaves. Comput. Electron. Agric. 150, 279–288 (2018)
25. Zhong, Y., Gao, J., Lei, Q., Zhou, Y.: A vision-based counting and recognition system for flying
insects in intelligent agriculture. Sensors 18(5), 1–19 (2018)
26. Tellaeche, A., Pajares, G., Burgos-Artizzu, X.P., Ribeiro, A.: A computer vision approach for
weeds identification through support vector machines. Appl. Soft Comput. 11(1), 908–915
(2011)
27. Sabzi, S., Abbaspour-Gilandeh, Y., Garcia-Mateos, G.: A fast and accurate expert system for
weed identification in potato crops using metaheuristic algorithms. Comput. Industry 98, 80–89
(2018)
28. Pantazi, X.E., Tamouridou, A.A., Alexandridis, T.K., Lagopodi, A.L., Kashefi, J., Moshou, D.:
Evaluation of hierarchical self-organising maps for weed mapping using UAS multispectral
imagery. Comput. Electron. Agric. 139, 224–230 (2017)
29. Muppala, C., Guruviah, V.: Machine vision detection of pests, diseases and weeds: A review.
J. Phytol. 12, 9–19 (2020)
30. Yuan, T., Xu, C.-G., Ren, Y.-X., Feng, Q.-C., Tan, Y.-Z., Li, W.: Detecting the information of
cucumber in greenhouse for picking based on NIR image. Guang Pu Xue Yu Guang Pu Fen Xi
29(8), 2054–2058 (2009)
31. Davidson, J.R., Silwal, A., Hohimer, C.J., Karkee, M., Mo, C, Zhang, Q.: Proof-of-concept
of a robotic apple harvester. In: International Conference on Intelligent Robots and Systems
(IROS). IEEE/RSJ, Daejeon, pp. 634–639 (2016)
32. Zhang, Q., Chen, S., Yu, T., Wang, Y.: Cherry recognition in natural environment based on the
vision of picking robot. IOP Conf. Series Earth Environ. Sci. 61(1), 1–6 (2017)
33. Patel, K.K., Kar, A., Jha, S.N., Khan, M.A.: Machine vision system: A tool for quality inspection
of food and agricultural products. J. Food Sci. Technol. 49(2), 123–141 (2012)
34. Saldaña, E., Siche, R., Luján, M., Quevedo, R.: Review: Computer vision applied to the
inspection and quality control of fruits and vegetables. Braz. J. Food Technol. 16(4), 254–272
(2013)
35. Bhargava, A., Bansal, A.: Fruits and vegetables quality evaluation using computer vision: A
review. J. King Saud Univ. Computer Inf. Sci. 1–15 (2018)
36. Mochida, K., Koda, S., Inoue, K., Hirayama, T., Tanaka, S., Nishii, R., Melgani, F.:
Computer vision-based phenotyping for improvement of plant productivity: A machine learning
perspective. GigaScience 8(1), 1–12 (2018)
37. Li, Z., Guo, R., Li, M., Chen, Y., Li, G.: A review of computer vision technologies for plant
phenotyping. Comput. Electron. Agric. 176, 1–21 (2020)
38. Chandra, A.L., Desai, S.V., Guo, W., Balasubramanian, V.N.: Computer vision with deep
learning for plant phenotyping in agriculture: A survey. Adv. Comput. Commun. 1–27 (2020)
8 M. S. Uddin and J. C. Bansal

39. Grinblat, G.L., Uzal, L.C., Larese, M.G., Granitto, P.M.: Deep learning for plant identification
using vein morphological patterns. Comput. Electron. Agric. 127, 418–424 (2016)
40. Chlingaryan, A., Sukkarieh, S., Whelan, B.: Machine learning approaches for crop yield predic-
tion and nitrogen status estimation in precision agriculture: A review. Comput. Electron. Agric.
151, 61–69 (2018)
41. Elavarasan, D., Vincent, D.R., Sharma, V., Zomaya, A.Y., Srinivasan, K.: Forecasting yield by
integrating agrarian factors and machine learning models: A survey. Comput. Electron. Agric.
155, 257–282 (2018)
42. van Klompenburg, T., Kassahun, A., Catal, C.: Crop yield prediction using machine learning:
A systematic literature review. Comput. Electron. Agric. 177, 1–18 (2020)
43. Mohammadi, K., Shamshirband, S., Motamedi, S. Petkovic, D. Hashim, R., Gocic, M.: Extreme
learning machine based prediction of daily dew point temperature. Comput. Electron. Agric.
117, 214–225 (2015)
44. Patil, A.P., Deka, P.C.: An extreme learning machine approach for modeling evapotranspiration
using extrinsic inputs. Comput. Electron. Agric. 121, 385–392 (2016)
45. Mehdizadeh, S., Behmanesh, J., Khalili, K.: Using MARS, SVM, GEP and empirical equations
for estimation of monthly mean reference evapotranspiration. Comput. Electron. Agric. 139,
103–114 (2017)
46. Morellos, A., Pantazi, X.-E., Moshou, D., Alexandridis, T., Whetton, R., Tziotzios, G., Wieben-
sohn, J., Bill, R., Mouazen, A.M.: Machine learning based prediction of soil total nitrogen,
organic carbon and moisture content by using VIS-NIR spectroscopy. Biosys. Eng. 152,
104–116 (2016)
47. Nahvi, B., Habibi, J., Mohammadi, K., Shamshirband, S., Razgan, O.S.A.: Using self-adaptive
evolutionary algorithm to improve the performance of an extreme learning machine for
estimating soil temperature. Comput. Electron. Agric. 124, 150–160 (2016)
Robots and Drones
in Agriculture—A Survey

Rabeya Basri, Fahmida Islam, Sumaita Binte Shorif ,

and Mohammad Shorif Uddin

1 Introduction

Agriculture is a crucial factor that has a significant contribution to the global economy,
as more than 60% of our population is entirely dependent on agriculture for survival
[1]. Additionally, continuous expansion of urbanization, which is responsible for
the gradual destruction of the land area for cultivation, causes large-scale damage
to agriculture [2]. Despite being the leading source of food and income, agronomy
is a tremendously time-consuming, labor-intensive, and slow speed process. Thus,
agricultural robotics has been introduced to eliminate these barriers and increase the
accuracy of an efficient autonomous agricultural system [3]. During the past few
decades, robotics has immensely been applied in different fields, including smart
home, medical research and diagnosis, manufacturing, agricultural industry [4–7],
and so on. An agricultural robot is such an automated machine, which operates
different computational algorithms to increase production efficiency by considering
the agro-products as objects, based on environmental perceptions [8]. In recent years,
precision agriculture has emerged with artificial technologies for the automation of
farming processes to minimize labor-intensive work and time [9]. This precision
concept has brought a tremendous change in the design of agricultural tools by

R. Basri · F. Islam · S. B. Shorif · M. S. Uddin (B)

Department of Computer Science and Engineering, Jahangirnagar University, Savar, Dhaka,
Bangladesh
e-mail: [email protected]
R. Basri
e-mail: [email protected]
F. Islam
e-mail: [email protected]
S. B. Shorif
e-mail: [email protected]

© The Author(s), under exclusive license to Springer Nature Singapore Pte Ltd. 2021 9
M. S. Uddin and J. C. Bansal (eds.), Computer Vision and Machine Learning
in Agriculture, Algorithms for Intelligent Systems,
https://doi.org/10.1007/978-981-33-6424-0_2
10 R. Basri et al.

connecting them with small smart devices such as different types of sensors, drones,
trackers, etc. which can easily detect, spray, weed, and pick crops. An agricultural
robot can be designed by using software and GSM to interface the robot with a
computer [10]. Agricultural production has been increased to a great extent by the
substantial usage of these agricultural robots. In this paper, we review the progress
of research on agricultural robots in terms of design, classification, grafting, picking,
weeding, spraying, harvesting [11–15], etc. along with their features and opera-
tions. Furthermore, we instantiate a summary of robotic development with technical
challenges and future scopes in agricultural robotics.
The remainder of this chapter is structured as follows: Sect. 2 presents a
basic architecture and classification of agricultural robots with their functional-
ities. Sections 3 and 4 illustrate various applications of agricultural robots and
drones, respectively. Section 5 shows the commercialization and current challenges
of agricultural robots and drones. Finally, Sect. 6 provides a conclusion.

2 Robotics Basic

Robotics in agriculture had been introduced to replace traditional manual farming

methods for more production with improved quality using less effort. A brief
elucidation of such robotic mechanisms is as follows.

2.1 Robotic Mechanism

Agricultural robots are obliged to be designed by using an efficacious computational

model with excellent algorithms and smart gadgets, as they have to operate on rough
terrain and overcome several technical challenges. Researchers primarily focused on
the following requirements for agricultural robotics mechanism:
• Specific Path Navigation: Reliable path navigation is indispensable in robotic
design for proper plantation. Fuzzy logic [16–18] was widely used in path tracking
and navigation.
• Image Processing: In a vision-based system, specifically a camera is used for
image acquisition, and then a segmentation process is used to find the path through
the plants for the navigation of robots to do specific tasks based on image-based
recognition [19].
• Obstacle Avoidance: In a robust obstacle avoidance system, GPS, ultrasonic,
infrared, and vision sensors are used to handle the navigation on rough terrain by
avoiding wheel slip [20–23].
• Mechanical Design: Microcontrollers with various types of sensors are used as
hardware in operating drives and control the robot for multitasking [24].
Robots and Drones in Agriculture—A Survey 11

The required hardware, sensors, and software requirements to design an agri-

cultural robot for an efficient agricultural system [25–27] shown in Table 1 and
Fig. 1.

Table 1 System requirements of an agricultural robot

Module Functional role Internal system Specification
Hardware Transducers and Mechanical Pinion belt
actuators system Steeper motor
Electrical and Motor driver
control system Arduino board
Relays
Battery
Voltage divider
Other tools Mount (Solid dispensing
system mechanism)
Vacuum pump (Liquid dispensing
mechanism)
Seeder
Driller
Weeder
Fertilizer
System and Processing in Arduino IDE
sensors arduino Processor (e.g., Raspberry Pi)
USB camera
GPS
WiFi
Sensors Ultrasonic
sensors
Orientation
sensor
Soil moisture
sensor
Temperature
sensor
Rainfall sensor
Wind sensor
12 R. Basri et al.

Fig. 1 System block diagram of an agricultural robot

2.2 Agricultural Robot Classification

Due to the vast application of modern technologies, researchers have recently shown
a high interest in the research and development of agricultural robots. According to
the use of robots in diverse agricultural tasks, agricultural robots can be categorized
mainly as outdoor and indoor robots, which can be further classified according to
their operations. Table 2 illustrates the classification of agricultural robots along with
their specific functions [28, 29].

3 Robots in Agricultural Applications

During the past few decades, even though there was a presence of manpower, robots
have been used to perform several challenging agricultural tasks such as autonomous
path navigation, grafting, seeding, weeding, spraying, harvesting, and so on. All these
tasks should be studied well for better understanding.

3.1 Robots in Path Navigation

Automatic path navigation is the most critical task when it comes to high-value crops.
It requires localization, tracking, mapping, motion control, and path planning. Robots
generally navigate the path by using cameras to take pictures of the path and plan
the desired path by recognizing the color of the plants, usually detecting green or
not. Path navigation and planning in agriculture have been studied well, and research
in this sector is developing day by day. A brief review of different path navigation
modules is described as follows and a basic navigation strategy is shown in Fig. 2.
Robots and Drones in Agriculture—A Survey 13

Table 2 Classification of agricultural robots

Category Class Name Function
Outdoor robot Field robots Autonomous navigator Automatically runs on the
terrain to find a suitable
path for farming using a
camera. For instance, a
tractor with GPS
automatically avoids any
obstacles during plantation
Disease detection and Moves along the crop rows
spray robots in the field to detect the
crop diseases or identify
any pests and sprays
pesticides to control the
disease at an early stage
Weeding robot Detects weeds and
unwanted plants and uses
herbicides to kill them
without causing any harm
to the desired crops
Drone Is an unmanned aerial
vehicle that visually
monitors the health of the
crop using a camera and
generally used to spray
pesticides, herbicides,
fertilizers
Fruit and vegetable Grafting robot Used for fruit and vegetable
harvesting robots grafting
Picking robot Identifies and picks the ripe
fruits and vegetables using
sensors
Sorting robot Classifies fruits and
vegetables according to
their size, shape, color, and
other attributes
Forest robots [30] Forest robot Moves through the forest
using a pacing mechanism
to create a 3D map for
easily counting the number
of trees, classifying them,
measuring their diameter,
and examining the
pathology of the trees
Animal husbandry Milk robot Used to select cows, which
robots are suitable for milking by
identifying their nipple
position
(continued)
14 R. Basri et al.

Table 2 (continued)
Category Class Name Function
Lumbering robot Cleans up different slopes
and terrain using a
hydraulic system
Indoor robot Harvesting robots Greenhouse harvesting Uses vision-based
robot machines for movement
through greenhouse aisles
to harvest some sensitive
crops like tomatoes and
strawberries
Material handling Greenhouse Material Performs plant spacing and
robots Handler optimizes plant placement
to reduce production costs
by controlling the use of
water, pesticides,
herbicides, and fertilizers
for the high-quality plant

(a) GPS-Based Navigation

Hellström [31] combined GPS with Inertial Navigation System (INS) and other
sensors to collect accurate information for navigation by measuring the derivatives
of robot position using gyros and accelerometers [31]. Nagasaka et al. [32] presented
an automated rice transplanter that accurately transplanted rice using a real-time kine-
matic global positioning system (RTKGPS) and fiber optic gyroscope (FOG) sensor
to measure the direction, and a simple steering controller in the desired path less than
12 cm. Hellström [33] introduced a superior algorithm for path tracking, where a radar
performed obstacle avoidance and a real-time kinematic differential GPS/GLONASS
completed localization. Li et al. [34] developed a conceptual framework along with
reviewing the guidance of an autonomous agricultural vehicle consisting of naviga-
tion sensors with GPS, computational methods, and steering controllers. Ringdahl
et al. [35] designed an automated vehicle to track two different paths more accu-
rately by using a forwarder with GPS and a gyro. However, this system can track
only previously demonstrated paths.
(b) Vision-Based Navigation
Zhao et al. [19] presented a robot that used Hough transform to track the path from
the continuous sample images captured by the camera. Gottschalk et al. [36] devel-
oped a machine to navigate between two-crop rows for automatic field inspection
through image segmentation, classification, and geometrical line extraction by using
a webcam. Wang et al. [37] presented an improved path navigation framework against
local map navigation based on near to far perception [37]. Besides, a large quantity of
meticulous research has been conducted to develop an automated vision-based navi-
gation system [38–41]. Weiss et al. [42] introduced a stereo vision system to map
3D filed images for autonomous navigation. Ball et al. [43] defined a cost-effective
Robots and Drones in Agriculture—A Survey 15

vision-based navigation and obstacle detection system to spread a sustainable domain

of agriculture [43].
(c) Computational Method-Based Navigation
Several computational algorithms, such as Kalman filter, fuzzy logic, neural network,
genetic algorithm, etc. are used to extract key information for autonomous navigation.
(i) Kalman filter
It is based on the strong mathematical formula for data fusion of multiple
sensors in real time. Previously, GPS combined with other sensors using
Kalman filter was used to improve the accuracy of an estimated position
[44, 45]. Kalman filter was performed using laser data with the data from an
encoder for mobile robot localization in the orchard environment [46]. Laser
scanner combined with other sensors like odometer and inertial measurement
unit (IMU) improved the location estimation using the Kalman filter [47]. An
autonomous row guidance simulator was presented for a differentially wheeled
robot by estimating the position of the row using a Kalman filter [48].
(ii) Fuzzy logic
It is used to control a robot by making inferences under complex and nonlinear
conditions. Boubertakh [49] designed a fuzzy controller for path navigation
and obstacle avoidance to seek the destination without being stuck. Yousfi [50]
applied the gradient method to optimize a Takagi–Sugeno fuzzy controller for
navigation and obstacle avoidance. It is vital that the robot can recognize and
avoid the obstacles for the successful implementation of a navigation system.
With this view, a fuzzy logic controller was designed for inter-row navigation
using one-dimensional (1D) ranging sensors in [51].
(iii) Neural network and genetic algorithm
A hybrid neural network architecture was presented for robot navigation in [52].
A genetic algorithm-based system was presented for optimal path planning
with an obstacle avoidance mechanism [53]. Nicholas et al. [54] presented a
biologically inspired spiking neural network in optimal pathfinding for robots.
Motlagh et al. [55] proposed a smart robot for obstacle avoidance to seek the
desired goal using neural network mechanisms [55].

3.2 Robots in Crop Production

(a) Grafting Robot

Japan first introduced grafting robots while South Korea and China were also the
pioneers in grafting robot research. In 1986, Japan developed automatic vegetable
grafting robots for research and development. Among them, the first commercial
model was launched in the market in 1993 with a success rate of 90% [56–58]. Being
inspired by the successful efficiency rate, several companies in Asia, Europe, and the
16 R. Basri et al.

Fig. 2 Schematic flowchart of a robot navigation strategy

USA started to produce different types of commercial robot models of automatic fruit
and vegetable grafting [59–64]. Li et al. [65] developed a plant let-cutting mechanism
for the grafting robot with an efficiency of 99.14%. On the other hand, Zhao et al. [66]
applied a scion cutting mechanism for a sapling grafting robot and obtained 96.5%
efficiency. Jiang [67] developed a grape sapling robot for a stick-to-stick grafting. A
grafting robot was presented using the cutting grafting method for camellia oleifera
seedlings in [68].
(b) Picking Robot
California Machinery Company introduced an automatic tomato picking robot in
2004. This automatic tomato picking robot was used to pick fruits and separate them
from leaves into a sorting bin to further process the picked leaves as fertilizer. Nezhad
et al. [69] introduced a tomato picking robot that can identify and pick tomatoes
through image processing. Feng et al. [70] developed an intelligent tomato picking
robot to reduce labor effort harvesting fresh tomatoes with a success rate of 83.9%.
Xiong et al. [71] presented a novel mechanism for faster picking of strawberries
Robots and Drones in Agriculture—A Survey 17

using a cable-driven gripper. An automated cucumber picking robot was presented

in [12]. Ashwini [72] designed a strawberry picking robot capable of picking a large
number of mature fruits at a minimum time with less effort.

3.3 Robots in Weed Removal and Disease and Pest Control

(a) Weeding Robot

Weeds or unwanted plants must be controlled for faster growth of crops using
automatic weeding [73]. A four-wheeled weeding robot was developed that was
composed of a diesel engine, hydraulic transmission, and was able to steer 360° to
detect and remove weeds automatically [74]. A co-robot system along with odometry
was described for inter-row weeding without damaging the crop rows [75]. Fenni-
more et al. [76] focused on the improvement of weeding efficiency with a reduction in
production cost. Bechar and Vigneault [77] discussed the development of weeding
robots [77] for real-field operations. Kunz et al. [78] introduced integrated weed
management in sugar beet, maize, and soybean fields, combining multiple tactics
to increase weeding performance [78]. Chang and Lin [79] proposed a vision-based
agricultural robot for weeding in real-time with average plants and weeds classifica-
tion rate of 90% or higher. It can also perform smart watering while maintaining the
moisture content of the deep soil at an efficiency of 80%. Steward et al. [80] empha-
sized the development of efficient weed robots including perception system and weed
control mechanisms. Wu et al. [81] used a multi-camera system for removing weeds
by classifying plants and weeds.
(b) Disease and Pest Detector
Detecting diseases and controlling pests at an early stage is inevitable for high-quality
crop production. Previously farmers used different strategies to detect crop diseases
[82]. Hengstler et al. [83] designed a smart visual surveillance system (Mesh Eye)
to detect diseases of fruits and identify the affected area by determining the shape
and color of the leaf and stem [83]. Additionally, one major problem was controlling
pest nuisance, caused by harmful insects or germs that destroyed crops. Pests cannot
entirely be eliminated but can be effectively controlled to reduce their nuisance.
Thus, early detection of pests and monitor them are essential to control them for the
prevention of crop damages. Laothawornkitkul et al. [84] used a potential electronic-
nose technology for remote sensing and monitoring of diseases and pests [84]. Pest
identification on leaves along with automatic spraying was performed by using a
vision-based system [85]. Camargoa et al. [86] proposed a visual method, capable
of detecting all visual symptoms of plant diseases by analyzing colored images [86].
López et al. [87] presented an effective pest control technique, known as insect
traps to efficiently perform automatic pest monitoring and inspection using high-
resolution images [87]. Francis et al. [88] used soft computing techniques to identify
leaf diseases in pepper plants. Yazgac et al. [89] applied a signal processing method to
18 R. Basri et al.

detect the sunn pests in wheat and barley by sound, but this method was useful only for
a single leaf [89]. Gonzalez-de-Santos et al. [90] presented a fleet of heterogeneous
ground and aerial robots that were used for effective weed and pest control to reduce
the use of chemical substances.
(c) Pest Control and Spraying Robot
In recent years, different types of pesticides and chemical sprays have been used to
control pests, which are very dangerous for humans resulting in skin cancer, asthma,
or other chronic diseases. In that case, an automated robotic system can be used to
spray pesticides to avoid human contact and save time, as robots are programmed
to spray pesticides on crops only if they can detect pests. Blackmore et al. [91]
applied a multi-purpose robotic sprayer that can operate automatically according
to the weather conditions. Jian-sheng [92] proposed a wireless controlled robot for
spraying pesticides. Pilli et al. [93] designed a robot that was capable of moving
along the intercrop rows to detect diseases and spraying pesticides automatically
and showed promising results in cotton and groundnut fields. Sharma and Borse
[94] described a mobile robot to monitor plant growth and detect disease with the
spraying mechanism for pesticides, fertilizers, and water. Sudha et al. [95] proposed
an automated technique to detect pests and spray pesticides based on a pre-defined
threshold value to indicate the pesticide level. Chaitanya et al. [96] designed an
autonomous robot, capable of spraying pesticides in a limited quantity only when
pests were detected.

3.4 Robots in Crop Harvesting

For many years, robots have been continuously used for harvesting a variety of
fruits and vegetables such as apple, grapes, watermelon, tomatoes, cucumbers, etc.
Ceres et al. [97] proposed a new robot (Agribot) for fruit harvesting in a particularly
unstructured environment. Yanbin et al. [98] demonstrated the current development
of automatic fruit harvesting robots in horticulture and experimented on apple, kiwi,
tomato, and sweet pepper. Onishi et al. [99] presented an automated fruit detection
and harvesting robot using a single shot multi-box detector and a stereo camera and
found a performance of more than 90%. Some robots are described below based on
their application for specific fruits.
(a) Apple Harvesting
Yuan et al. [100] applied an ant colony algorithm to improve the performance of
the apple harvesting system and found an optimal result. Lv et al. [101] proposed
a vision- based apple harvesting robot to efficiently recognize apples using video.
De-An et al. [102] presented a 5 DOF (degrees of freedom) robot to detect, locate,
and pick apples automatically using the support vector machine algorithm.
Robots and Drones in Agriculture—A Survey 19

(b) Tomato Harvesting

Li et al. [103] presented a tomato harvesting robot using the joint analysis of Kine-
matics. Wang et al. [105] designed a vision based 4-DOF tomato harvesting robot
[104]. Liu et al. [105] developed a coordinated hand-arm for the tomato harvesting
system with a success rate of over 70%. Yaguchi et al. [106] developed a tomato
harvesting robot with a stereo camera to measure the depth in the short range by
utilizing the infinity rotational joint. A new picking end-effector was developed for
automatic tomato harvesting in [107] representing three modules: tomato holding,
stem holding, and tomato picking.
(c) Watermelon Harvesting
Heavy fruits like watermelon harvesting require a smart and quite strong robotic
system of carrying a heavy load. A high-speed control watermelon harvesting system
was implemented with great efficiency in [108].
(d) Strawberry Harvesting
Harvesting of small and sensitive fruits, e.g., strawberries through robots, was studied
in [8, 109, 110]. A grape harvesting robotic system was designed by using different
end effectors to perform diverse tasks such as harvesting, thinning, spraying, and
bagging in [8]. On the other hand, a multifunctional strawberry harvesting robot was
also developed for harvesting, spraying, and grading in [109]. In addition, a robot
was designed based on machine vision and sonar technology for table-top culture
with minimum production cost in [110].
Besides the above harvesting robots, a 3D visual asparagus harvesting robot [111]
was developed for better recognition, where its arm grasped the asparagus to cut, and a
vision-based robot was designed to localize and classify lettuce for harvesting using
state-of-the-art approaches in [112]. Some extensive details on the development,
practicability, and applications of agricultural robots are available in references [113–
117]. Different types of agricultural robots are shown in Fig. 3.

4 Drones in Agriculture

As a blessing of modern technology, drones (unmanned aerial vehicles, UAVs) [118–

132] have been used to perform various agricultural tasks such as crop health moni-
toring, weed identification, pesticide spraying, forestry, and wildlife monitoring as
well as in precision agriculture. Several agricultural drones are illustrated in Fig. 4.
Kurkute et al. [130] listed more than 250 models of UAVs to help in selecting the
perfect one for the agricultural task. Table 3 represents the classification of drones
with their basic features and Table 4 summarizes the applications of agricultural
drones.
20 R. Basri et al.

Grafting robot Designed Field Test of Tomato EcoRobotix Weeding

by Chinese Agricultural Harvesting Robot [70] Robot [80]
University [28]

Apple Harvesting Robot Spray Robot [115] CoĴon Picking

[102] Robot [117]

Fig. 3 Examples of different types of agricultural robots

Crop Height Measuring Crop Monitoring Drone Crop Spraying Drone

Drone [126] [131] [136]

Fig. 4 Example of agricultural drones

Table 3 Classification of agricultural drones

Type Feature and suitability
Rotary drones Classified as a single rotor and multi-rotor drone
according to the number of rotors. Useful for
smaller field scouting and can fly up to 20 min
during normal wind pressure
Fixed wing drones Fly at high speed with longer battery lives like
more than 20 min or an hour. Good for irrigation
and plant growth analysis
VTOL (Vertical take-off and landing) drones It can perform take-off and land vertically.
Suitable for spraying crops in a small range of
areas with the shorter flight time
Robots and Drones in Agriculture—A Survey 21

Table 4 An overview of agricultural drone applications

Application References Research output
Crop analysis Monitoring Zheng et al. [133] It developed a mechanism to
get rice nitrogen status from
unmanned aerial vehicles
(UAVs) for crop monitoring
Reinecke et al. [134] It developed a technique
utilizing UAVs by using
specific cameras for early
detection of pests and water
shortages to improve crop
health and harvest size to
maximize the production
Crop protection Psirofonia et al. [135] It developed a new
application for UAVs in
agriculture for the protection
of olive trees by mapping of
trees and identification of
visible signs of infestation by
pest or disease, and also
counting the insects by
making cooperation between
the UAV with electronic traps
Spraying Pesticide Yallappa et al. [136] It designed and developed a
drone-mounted pesticide
sprayer that is useful on crops
such as rice fields, orchard
crops, and crops in terrain
lands
Fertilizer Pharne et al. [137] It developed a cost-effective
system that sprayed pesticide
and fertilizer on the crop
using satellite data with a test
accuracy of 87% by using a
minimum amount of time
Remote sensing Xiang et al. [138] It developed an agricultural
remote sensing system based
on a UAV. It did
experimentation on a
turfgrass field to monitor the
spatial and temporal changes
by capturing multi-spectral
images in that particular area
and found good performance
Senthilnath et al. [139] It developed a tomato
detection mechanism using
RGB images from UAVs
using spectral-spatial
classification
22 R. Basri et al.

5 Commercialization and Current Challenges

of Agricultural Robots

Several commercial agricultural robots [140–142], featured with different localiza-

tion techniques like GPS, vision, laser, sensor-based navigation, etc., were developed
in Germany, Denmark, Finland, USA, Australia, New Zealand, India, and many other
countries for commercial use. Despite having a remarkable advancement in agricul-
tural robotics, it is still dealing with some challenges. Farmers are still handling
several technical challenges while using autonomous agricultural vehicles in terms
of automated decision making and prediction for digital farming. This industry is
still underserved to have an advanced vision-based system to enable ultra-level preci-
sion agriculture. We need more research initiatives and robust infrastructures with
a reliable wireless connection, use IoT, human–robot interaction tools to explore
numerous future scopes of smart robots in agriculture. Another significant issue is
that due to the excessive cost of robots along with spare expenses, these are not easily
affordable by farmers. Thus, an open-source framework will highly be required to
make these robots more affordable to fill up the agricultural demand. Though drones
have already been applied for crop monitoring, early detection of weed and pest, and
spraying pesticides or herbicides, however, more work is required to make it robust
and precise.

6 Conclusion

Automation in agriculture using intelligent robotic systems is one of the most chal-
lenging tasks that has already grabbed the attention of researchers due to its diverse
practical applications for commercial use. This chapter is reported on an extensive
review of the time-to-time development of robotic applications including their classi-
fication and some useful practical applications in agriculture. Agriculture is the most
valuable source of income, as more than 60% of the world population earn their liveli-
hood from farming. Thus, technical scopes of agricultural robotics should be spread
in cities, where farming scopes are limited. More automation in agricultural robots
is expected to help the farmers by efficiently increasing crop productivity using solar
energy that can work for many hours without any break. Moreover, the invention of
drones or aerial devices has already brought a huge revolution in digital farming,
which will extend scopes for smart crop management such as, crop scouting, crop
monitoring, weed, and pest control, spraying, and selective harvesting in precision
agriculture.
Robots and Drones in Agriculture—A Survey 23

References

1. Alston, J.M., Pardey, P.G.: Agriculture in the Global Economy. J. Econ. Perspect. 28(1),
121–146 (2014)
2. Calabi-Floody, M., Medina, J., Rumpel, C., Condron, L.M., Hernandez, M., Dumont, M.,
Mora, M.L.: Smart fertilizers as a strategy for sustainable agriculture. Adv. Agron. 147,
119–157 (2018)
3. Ahmed, H., Juraimi, A.S., Hamdani, S.M.: Introduction to robotics agriculture in pest control:
A review. Pertanika J. Sch. Res. Rev. 2(2), 80–93 (2016)
4. Lee, K.W., Kim, H.R., Yoon, W.C., Yoon, Y.S., Kwon D.S.: Designing a human-robot inter-
action framework for home service robot. In: International Workshop on Robots and Human
Interactive Communication, pp. 286–293. IEEE (2005)
5. Barbash, G.I., Glied, S.A.: New technology and health care costs—The case of robot-assisted
surgery. N. Engl. J. Med. 363(8), 701–704 (2010)
6. Wang, W., Li, R., Chen, Y., Diekel, Z.M., Jia, Y.: Facilitating human-robot collaborative tasks
by teaching-learning-collaboration from human demonstrations. In: IEEE Transactions on
Automation Science and Engineering, pp. 1–14. IEEE (2018)
7. Bechar, A., Edan, Y.: Human-robot collaboration for improved target recognition of
agricultural robots. Ind. Robot 30(5), 432–436 (2003)
8. Monta, M., Kondo, N., Shibano, Y.: Agricultural robot in grape production system. In: Inter-
national Conference on Robotics and Automation, vol. 3, pp. 2504–2509. IEEE, Nagoya,
Japan (1995)
9. Amer, G., Mudassir, S.M.M., Malik, M.A.: Design and operation of Wi-Fi agribot inte-
grated system. In: International Conference on Industrial Instrumentation and Control (ICIC),
pp. 207–212. IEEE, Pune (2015)
10. Auat Cheein, F.A., Carelli, R.: Agricultural robotics: Unmanned robotic service units in
agricultural tasks. Ind. Electron. Mag. 7(3), 48–58, IEEE (2013)
11. Kurata, K.: Cultivation of grafted vegetables II. Development of grafting robots in Japan.
HortScience 29, 240–244 (1994)
12. Van Henten, E.J., Van Tuijl, B.A.J., Hemming, J., Kornet, J.G., Bontsema, J., Os, E.A.V.:
Field test of an autonomous cucumber picking robot. Biosys. Eng. 86(3), 305–313 (2003)
13. Bawden, O., Kulk, J., Russell, R., McCool, C., English, A., Dayoub, F., Lehnert, C., Perez, T.:
Robot for weed species plant-specific management. J. Field Robot. 34(6), 1179–1199 (2017)
14. Sammons, P.J., Furukawa, T., Bulgin, A.: Autonomous pesticide spraying robot for use in a
greenhouse. Aust. Conf. Robotics Autom. 1–9 (2005)
15. Tanigaki, K., Fujiura, T., Akase, A., Imagawa, J.: Cherry-harvesting robot. Comput. Electron.
Agric. 63(1), 65–72 (2008)
16. Zhou, J., Zhang, M., Liu, G., Li, S.: Fuzzy control for automatic steering and line tracking of
agricultural robot. Int. Conf. Comput. Sci. Softw. Eng. 1094–1097 (2008)
17. Prema, K., Kumar, N.S., Dash, S.S., Chowdary, S.: Online control of remote operated agri-
cultural robot using Fuzzy controller and virtual instrumentation. Int. Conf. Adv. Eng. Sci.
Manag. 196–201 (2012)
18. de Sousa, R.V., Lopes, W.C., Pereira, R.R.D., Inamasu, R.Y., Porto, A.J.V.: A methodology for
composing and coordinating primitive Fuzzy behaviors to guide mobile agricultural robots.
In: 9th International Conference on Control and Automation, pp. 280–285. IEEE (2011)
19. Zhao, C.J., Jiang, G.Q.: Baseline detection and matching to vision-based navigation of
agricultural robot. Int. Conf. Wavelet Anal. Pattern Recogn. 44–48 (2010)
20. Zhang, Y., Gao, F., Tian, L.: INS/GPS integrated navigation for wheeled agricultural robot
based on sigma-point Kalman filter. In: 7th International Conference on System Simulation
and Scientific Computing, pp. 1425–1431. Asia Simulation Conference (2008)
21. Thamrin, N.M., Arshad, N.H.M., Adnan, R., Sam, R., Razak, N.A., Misnan, M.F., Mahmud,
S.F.: Tree detection profile using a single non-intrusive ultrasonic sensor for inter-row tracking
application in agriculture field. In: 9th international colloquium on signal processing and its
applications, pp. 310–313. IEEE (2013)
24 R. Basri et al.

22. Xue, J., Xu, L.: Autonomous agricultural robot and its row guidance. In: International
Conference on Measuring Technology and Mechatronics Automation, pp. 725–729 (2010)
23. Liu, P., Bi, S., Zang, G., Wang, W., Gao, Y., Deng, Z.: Obstacle avoidance system for agri-
cultural robots based on multi-sensor information fusion. In: International Conference on
Computer Science and Network Technology, pp. 1181–1185 (2011)
24. Srivastava, A., Vijay, S., Negi, A., Shrivastava, P., Singh, A.: DTMF based intelligent farming
robotic vehicle: An ease to farmers. In: International Conference on Embedded Systems
(ICES), pp. 206–210, Coimbatore (2014)
25. Agarwal, N., Thakur, R.: Agricultural robot: Intelligent robot for farming. Int. Adv. Res. J.
Sci. Eng. Technol. (IARJSET) 3(8), 1–5 (2016)
26. Srilekha, K., Monika, J.: Design and operation of Wi-Fi Agribot integrated system. Int. J. Sci.
Eng. Technol. Res. (IJSETR) 5(22), 4473–4478 (2016)
27. Phanomchoeng, G., Saadi, M., Sasithong, P., Tangmongkhonsuk, J., Wijayasekara, S.K.,
Wuttisittikulkij, L.: Hardware software co-design of a farming robot. Eng. J. 24(1), 1–10
(2020)
28. Jiang, L., Zhang, Y.: Making agriculture more intelligent: Progress of agricultural robots.
Rob. Autom. Eng. J. 4(1), 1–7 (2018)
29. Agriculture Robots. Available Online: https://www.postscapes.com/agriculture-robots/#ind
oor-ag-robots
30. Mikhaylov, M.N., Lositskii, I.A.: Control and navigation of forest robot. In: 25th Saint
Petersburg International Conference on Integrated Navigation Systems (ICINS), pp. 1–2,
St. Petersburg (2018)
31. Hellström, T.: Autonomous navigation for forest machines. A project pre-study in the
Department of Computer Science, Umea University, Sweden (2002)
32. Nagasaka, Y., Umeda, N., Kanetai, Y., Taniwaki, K., Sasaki, Y.: Autonomous guidance for
rice transplanting using global positioning and gyroscopes. Comput. Electron. Agric. 43(3),
223–234 (2004)
33. Hellström, T., Johansson, T., Ringdahl, O.: Development of an autonomous forest machine
for path tracking. In: P. Corke, S. Sukkariah (eds.) Field and Service Robotics, Springer Tracts
in Advanced Robotics, vol. 25, Springer, Berlin, Heidelberg (2006)
34. Li, M., Imou, K., Wakabayashi, K., Yokoyama, S.: Review of research on agricultural vehicle
autonomous guidance. Int. J. Agric. Biol. Eng. 2(3), 1–16 (2008)
35. Ringdahl, O., Lindroos, O., Hellström, T., Bergström, D., Athanassiadis, D., Nordfjell, T.:
Path tracking in forest terrain by an autonomous forwarder. Scand. J. For. Res. 26(4), 350–359
(2011)
36. Gottschalk, R., Burgos-Artizzu, X.P., Ribeiro, A., Pajares, G.: Real-time image processing
for the guidance of a small agricultural field inspection vehicle. Int. J. Intell. Syst. Technol.
Appl. 8(1–4), 434–443 (2010)
37. Wang, M., Wang, X., Yi, X., Tu, J.: Experimental study on long-range navigation behavior of
agricultural robots. Int. Conf. Comput. Measure. Control Sens. Netw. 409–412 (2012)
38. Ayala, M., Soria, C., Carelli, R.: Visual servo control of a mobile robot in agriculture
environments. Mech. Based Des. Struct. Mach. 36(4), 392–410 (2008)
39. Gao, F., Xun, Y. Wu, J. Bao, G., Tan, Y.: Navigation line detection based on robotic vision
in natural vegetation-embraced environment. In: 3rd International Congress on Image and
Signal Processing (CISP), pp. 2596–260 (2010)
40. Torres-Sospedra, J., Nebot, P.: A new approach to visual-based sensory system for navigation
into orange groves. Sensors 11(4), 4086–4103 (2011)
41. Zhang, J., Kantor, G., Bergerman, M., Singh, S.: Monocular visual navigation of an
autonomous vehicle in natural scene corridor-like environments. In: International Conference
on Intelligent Robots and Systems (IROS), pp. 3659–3666, IEEE/RSJ, Vilamoura, Algarve,
Portugal (2012)
42. Weiss, U., Biber, P.: Plant detection and mapping for agricultural robots using a 3D LIDAR
sensor. Rob. Auton. Syst. 59, 265–273 (2011)
Robots and Drones in Agriculture—A Survey 25

43. Ball, D., Upcroft, B., Wyeth, G., Corke, P., English, A., Ross, P., Patten, T., Fitch, R., Sukkarieh,
S., Bate, A.: Vision-based obstacle detection and navigation for an agricultural robot. J. Field
Rob. 33, 1107–1130 (2016)
44. Han, S., Zhang, Q., Noh, H.: Kalman filtering of DGPS positions for a parallel tracking
application. Trans. Am. Soc. Agric. Eng. 45(3), 553–560 (2002)
45. Nørremark, M., Griepentrog, H.W., Nielsen, J., Søgaard, H.T.: The development and assess-
ment of the accuracy of an autonomous GPS-based system for intra-row mechanical weed
control in row crops. Biosys. Eng. 101(4), 396–410 (2008)
46. Libby, J., Kantor, G.: Deployment of a point and line feature localization system for an
outdoor agriculture vehicle. International Conference on Robotics and Automation (ICRA),
pp. 1565–1570. IEEE, Shanghai, China (2011)
47. Christiansen, M.: Localization in Orchards using extended Kalman filter for sensor-fusion.
Master thesis, University of Southern Denmark (2011)
48. Dørum, J.: Autonomous navigation and row detection in crop fields using computer vision.
Master thesis, Norwegian University of Science and Technology (2015)
49. Boubertakh, H., Tadjine, M., Glorennec, P., Labiod, S.: A simple goal seeking navigation
method for a mobile robot using human sense, fuzzy logic and reinforcement learning. J.
Autom. Control 18(1), 23–27 (2008)
50. Yousfi, N., Rekik, C., Jallouli, M., Derbel, N.: Optimized Fuzzy controller for mobile robot
navigation in a cluttered environment. In: 7th International Multi-Conference on Systems,
Signals and Devices, pp. 1–7, IEEE, Amman, Jordan (2010)
51. Troyer, T.A., Pitla, S., Nutter, E.: Inter-row robot navigation using 1D ranging sensors. IFAC-
PapersOnLine 49(16), 463–468 (2016)
52. Gavrilov, A. V., Lee, S.: An architecture of hybrid neural network based navigation system
for mobile robot. In: 7th International Conference on Intelligent Systems Design and
Applications, pp. 587–590, IEEE, Brazil (2007)
53. Ryerson, A., Zhang, Q.: Vehicle path planning for complete field coverage using genetic
algorithms. In: Proceedings of the Automation Technology for Off-road Equipment (ATOE),
pp. 309–317, Boon, Germany (2007)
54. Nichols, E., McDaid, L.J., Siddique, N.: Biologically inspired SNN for robot control. IEEE
Trans. Cybern. 15(2), 115–128 (2013)
55. Motlagh, O., Nakhaeinia, D., Tang, S.H., Karasfi, B., Khaksar, W.: Automatic navigation of
mobile robots in unknown environments. Neural Comput. Appl. 24(7), 1569–1581 (2014)
56. Nishiura, Y., Honami, N., Taira, T.: Development of a new grafting method, 4: Robotization
of grafting operation. J. Jpn. Soc. Agric. Mach. 61(6), 103–112 (1999)
57. Osamu, Y., Akiko, F.: Growth adjustment technique of seedling optimal for grafting by
seedling storage for cucumber full-automatic machine grafting. Tokyo Agric. Res. 55(1),
201–202 (2002)
58. Ken, K., Kenta, S., Sadao, S.: Study on automation of seedlings feeding for grafting robot for
cucurbitaceous vegetables (Part1). J. Jpn. Soc. Agric. Mach. 68(6), 117–123 (2006)
59. Kang, C.-H., Han, G.-S., Noh, T.-H., Choi, H.-G.: Splice Grafting Robot for Fruit and
Vegetable Plants. World Intellectual Property Organization, WO/2005/089532 (2005)
60. Chen, S., Chiu, Y.C., Chang, Y.C.: Development of a tubing-grafting robotic system for
fruit-bearing vegetable seedlings. Appl. Eng. Agric. 26(4), 707–714 (2010)
61. Lee, J.-M., Kubota, C., Tsao, S.J., Bie, Z.-L., Echevarría, P., Morra, L., Oda, M.: Current
status of vegetable grafting: Diffusion, grafting techniques, automation. Sci. Hortic. 127(2),
93–105 (2010)
62. Chang, Y.-C., Chen, S., Chiu, Y.-C., Lin, L.-H., Chang, Y.-S.: Growth and union acclima-
tion process of sweet pepper grafted by a tubing-grafting robotic system. Hortic. Environ.
Biotechnol. 53(2), 93–101 (2012)
63. Libin, Z., Qinghua, Y., Guanjun, B., Yan, W., Liyong, Q., Feng, G., Fang, X.: Overview of
research on agricultural robots in China. Int. J. Agric. Biol. Eng. 1(1), 12–21 (2008)
64. Kubota, C., McClure, M.A., Kokalis-Burelle, N., Bausher, M.G., Rosskopf, E.N.: Vegetable
grafting: History, use, and current technology status in North America. HortScience 43(6),
1664–1669 (2008)
26 R. Basri et al.

65. Li, M., Dai, S., Tang, C., Xiang, Y.: Simulation test on plant let-cutting mechanism of grafting
robot. Trans. Chin. Soc. Agric. Eng. 24(6), 129–132 (2008)
66. Zhao, Y., Zhang, T., Wang, H.: Cutting mechanism of root parental stock in automatic sapling
grafting machine. Trans. Chin. Soc. Agric. Eng. 24(9), 79–83 (2008)
67. Jiang, X.: Design of model PJJ-50 grape grafting machine. Agric. Equip. Vehicle Eng. 11,
7–9 (2011)
68. Wang, F., Liu, M., Wu, X., Cao, X.: Study and design of grafting robot for camellia oleifera
seedlings. Forest Machine and Equipment 39(4), 36–39 (2011)
69. Nezhad, B., Massah, J., Ebrahimpour-Komleh, H.: Design and construction of intelligent
tomato picking machine vision. Majlesi J. Electr. Eng (2012)
70. Feng, Q., Wang, X., Wang, G., Li, Z.: Design and test of tomatoes harvesting robot. In:
International Conference on Information and Automation, pp. 949–952. IEEE, Lijiang (2015)
71. Xiong, Y., From, P.J., Isler, V.: Design and evaluation of a novel cable-driven gripper with
perception capabilities for strawberry picking robots. In: International Conference on Robotics
and Automation (ICRA), pp. 7384–739. IEEE, Brisbane, QLD (2018)
72. Ashwini, K.: Survey paper on fruit picking robots. Int. J. Comput. Sci. Mobile Comput. 5(1),
96–101 (2016)
73. Slaughter, D.C., Giles, D.K., Downey, D.: Autonomous robotic weed control systems: A
review. Comput. Electron. Agric. 61(1), 63–78 (2008)
74. Bakker, T., van K.A., Bontsema, J., Müller, J., van, G.S.: Systematic design of an autonomous
platform for robotic weeding. J. Terramech. 47(2), 63–73 (2010)
75. Pérez-Ruíz, M., Slaughter, D.C., Fathallah, F.A., Gliever, C.J., Miller, B.J.: Co-Robotic intra-
row weed control system. Biosys. Eng. 126, 45–55 (2014)
76. Fennimore, S.A., Slaughter, D.C., Siemens, M.C., Leon, R.G., Saber, M.N.: Technology for
automation of weed control in specialty crops. Weed Technol. 30(4), 823–837 (2016)
77. Bechar, A., Vigneault, C.: Agricultural robots for field operations. Part 2: Operations and
systems. Biosys. Eng. 153, 110–128 (2017)
78. Kunz, C., Weber, J.F., Peteinatos, G.G., Sokefeld, M., Gerhards, R.: Camera steered mechan-
ical weed control in sugar beet, maize and soybean. Precision Agric. 19(4), 708–720
(2018)
79. Chang, C.-L., Lin, K.-M.: Smart agricultural machine with a computer vision-based weeding
and variable rate irrigation scheme. Robotics 7(3), 38 (2018)
80. Steward, B.L., Gai, J., Tang, L.: The Use of Agricultural Robots in Weed Management
and Control. Robotics and Automation for Improving Agriculture, pp. 161–186. Biosystems
Engineering Publications (2019)
81. Wu, X., Aravecchia, S., Lottes, P., Stachniss, C., Pradalier, C.: Robotic weed control using
automated weed and crop classification. J. Field Robot. 37(1), 1–29 (2020)
82. Sankaran, S., Mishra, A., Ehsani, R., Davis, C.: A review of advanced techniques for detecting
plant diseases. Comput. Electron. Agric. 72(1), 1–13 (2010)
83. Hengstler, S., Prashanth, D., Fong, S., Hamid, A.: Mesh: A hybrid-resolution smart camera
mote for applications in distributed intelligent surveillance. In: 6th International Conference
on Information Processing in Sensor Networks, pp. 360–369. New York, USA (2007)
84. Laothawornkitkul, J., Moore, J.P., Taylor, J.E., Possell, M., Gibson, T.D., Hewitt, C.N., Paul,
N.D.: Discrimination of plant volatile signatures by an electronic nose: A potential technology
for plant pest and disease monitoring. Environ. Sci. Technol. 42(22), 8433–8439 (2008)
85. Li, Y., Xia, C., Lee, J.: Vision-based pest detection and automatic spray of greenhouse plant.
In: International Symposium on Industrial Electronics, pp. 920–925. IEEE, Seoul (2009)
86. Camargoa, A., Smith, J.S.: An image-processing based algorithm to automatically identify
plant disease visual symptoms. Biosys. Eng. 102(1), 9–21 (2009)
87. López, O., Rach, M.M., Migallon, H., Malumbres, M.P., Bonastre, A., Serrano, J.J.: Moni-
toring pest insect traps by means of low-power image sensor technologies. Sensors 12(11),
15801–15819 (2012)
88. Francis, J., Anto Sahaya Dhas, D., Anoop, B.K.: Identification of leaf diseases in pepper plants
using soft computing techniques. In: Conference on Emerging Devices and Smart Systems
(ICEDSS), pp. 168–173. Namakkal (2016)
Robots and Drones in Agriculture—A Survey 27

89. Yazgaç, B.G., Kirci, M., Kivan, M.: Detection of Sunn pests using sound signal processing
methods. In: 5th International Conference on Agro-Geoinformatics (Agro-Geoinformatics),
pp. 1–6. Tianjin (2016)
90. Gonzalez-de-Santos, P., Ribeiro, A., Fernandez-Quintanilla, C., Lopez-Granados, F., Brand-
stoetter, M., Tomic, S., Pedrazzi, S., Peruzzi, A., Pajares, G., Kaplanis, G., Perez-Ruiz,
M., Valero, C., del Cerro, J., Vieri, M., Rabatel, G., Debilde, B.: Fleets of robots for
environmentally-safe pest control in agriculture. Precision Agric. 18, 574–614 (2017)
91. Blackmore, S., Stout, B., Wang, M., Runov, B.: Robotic agriculture—The future of agricultural
mechanization. In: 5th European Conference on Precision Agriculture (ECPA), pp. 621–628.
Upsala, Sweden (2005)
92. Jian-sheng, P.: An intelligent robot system for spraying pesticides. Open Electr. Electron. Eng.
J. 8(1), 435–444 (2014)
93. Pilli, S.K., Nallathambi, B., George, S. J., Diwanji, V.: eAGROBOT—A robot for early crop
disease detection using image processing. In: 2nd International Conference on Electronics
and Communication Systems (ICECS), pp. 1684–1689. Coimbatore (2015)
94. Sharma, S., Borse, R.: Automatic agriculture spraying robot with smart decision making.
In: Corchado J., Rodriguez, S., Mitra, S., Thampi, E., El-Alfy, S. (eds) Intelligent Systems
Technologies and Applications (ISTA), Advances in Intelligent Systems and Computing, vol.
530, pp. 743–758. Springer, Cham (2016)
95. Sudha, B., Bhuvana, L., Divya, V., Mamathashree, S.R., Pallavi: Automated pest detection
and pesticide spraying robot. Int. J. Recent Trends Eng. Res. (IJRTER) 4(4), 1–8 (2018)
96. Chaitanya, P., Kotte, D., Srinath, A., Kalyan, K.B.: Development of smart pesticide spraying
robot. Int. J. Recent Technol. Engi. (IJRTE) 8(5), 2193–2202 (2020)
97. Ceres, R., Pons, J.L., Jiménez, A.R., Martín, J.M., Calderón, L.: Design and implementation
of an aided fruit-harvesting robot (Agribot). Industr. Robot: An Int. J. 25(5), 337–346 (1998)
98. Hua, Y., Zhang, N., Yuan, X., Quan, L., Yang, J., Nagasaka, K., Zhou, X.-G.: Recent advances
in intelligent automated fruit harvesting robots. Open Agric. J. 13(1), 101–106 (2019)
99. Onishi, Y., Yoshida, T., Kurita, H., Fukao, T., Arihara, H., Iwai, A.: An automated fruit
harvesting robot by using deep learning. ROBOMECH J. 6(1), 1–8 (2019)
100. Yuan, Y., Zhang, X., Zhao, H.: Apple harvesting robot picking path planning and simulation.
In: International Conference on Information Engineering and Computer Science, pp. 1–4,
Wuhan (2009)
101. Lv, J., Zhao, D., Ji, W., Chen, Y., Shen, H.: Design and research on vision system of apple
harvesting robot. In: 3rd International Conference on Intelligent Human-Machine Systems
and Cybernetics, pp. 177–180, Zhejiang (2011)
102. De-An, Z., Jidong, L., Wei, J., Ying, Z., Yu, C.: Design and control of an apple harvesting
robot. Biosys. Eng. 110(2), 112–122 (2011)
103. Li, Z., Liu, J., Li, P., Li, W.: Analysis of workspace and kinematics for a tomato harvesting
robot. In: International Conference on Intelligent Computation Technology and Automation
(ICICTA), pp. 823–827, Hunan (2008)
104. Wang, J., Zhou, Z., Du, X.: Design and co-simulation for tomato harvesting robots. In: 31st
Chinese Control Conference, pp. 5105–5108, Hefei (2012)
105. Liu, J., Li, Z., Wang, F., Li, P., Xi, N.: Hand-arm coordination for a tomato harvesting robot
based on commercial manipulator. In: International Conference on Robotics and Biomimetics
(ROBIO), pp. 2715–2720. IEEE, Shenzhen (2013)
106. Yaguchi, H., Nagahama, K., Hasegawa, T., Inaba, M.: Development of an autonomous tomato
harvesting robot with rotational plucking gripper. In: International Conference on Intelligent
Robots and Systems (IROS), pp. 652–657. IEEE/RSJ, Daejeon, (2016)
107. Wang, G., Yu, Y., Feng, Q.: Design of end-effector for tomato robotic harvesting. IFAC-
PapersOnLine 49(16), 190–193 (2016)
108. Sakai, S., Osuka, K., Fukushima, H., Iida, M.: Watermelon harvesting experiment of a
heavy material handling agricultural robot with LQ control. In: International Conference
on Intelligent Robots and Systems, vol. 1, pp. 769–774. IEEE/RSJ, Lausanne, Switzerland
(2002)
28 R. Basri et al.

109. Arima, S., Shibusawa, S., Kondo, N., Yamashita, J.: Traceability based on multi-operation
robot; Information from spraying, harvesting and grading operation robot. In: International
Conference on Advanced Intelligent Mechatronics (AIM 2003), vol. 2, pp. 1204–1209.
IEEE/ASME, Kobe, Japan (2003)
110. Qingchun, F., Wengang, Z., Quan, Q., Kai, J., Rui, G.: Study on strawberry robotic harvesting
system. In: International Conference on Computer Science and Automation Engineering
(CSAE), pp. 320–324. IEEE, Zhangjiajie (2012)
111. Irie, N., Taguchi, N., Horie, T., Ishimatsu, T.: Asparagus harvesting robot coordinated with
3-D vision sensor. In: International Conference on Industrial Technology, pp. 1–6. IEEE,
Gippsland, VIC (2009)
112. Birrell, S., Hughes, J., Cai, J.Y., Iida, F.: A field-tested robotic harvesting system for iceberg
lettuce. J. Field Rob. 37(2), 225–245 (2020)
113. Hajjaj, S.S.H., Sahari, K.S.M.: Review of agriculture robotics: Practicality and feasibility.
In: International Symposium on Robotics and Intelligent Sensors (IRIS), pp. 194–198. IEEE,
Tokyo (2016)
114. Behmanesh, M., Hong, T.S., Kassim, M.S.M., Azim, A., Dashtizadeh, Z.: A brief survey on
agricultural robots. Int. J. Mech. Eng. Rob. Res. (IJMERR) 6(3), 178–182 (2017)
115. Shamshiri, R.R., Weltzien, C., Hameed, I.A., Yule, I.J., Grift, T.E., Balasundram, S.K., Piton-
akova, L., Ahmad, D., Chowdhary, G.: Research and development in agricultural robotics: A
perspective of digital farming. Int. J. Agric. Biol. Eng. (IJABE) 11(4), 1–14 (2018)
116. Jadhav, P.K., Deshmukh, S.S., Khairnar, P.N.: Survey paper on AgRo-bot autonomous robot.
Int. Res. J. Eng. Technol. (IRJET) 6(12), 434–441 (2019)
117. Fue, K.G., Porter, W.M., Barnes, E.M., Rains, G.C.: An extensive review of mobile agricultural
robotics for field operations: Focus on cotton harvesting. AgriEngineering 2(1), 150–174
(2020)
118. Veroustraete, F.: The rise of the drones in agriculture. Ecronicon 2(2), 1–3 (2015)
119. Natu, A.S., Kulkarni, S.C.: Adoption and utilization of drones for advanced precision farming:
A review. Int. J. Recent Innov. Trends Comput. Commun. 4(5), 563–565 (2016)
120. Ahirwar, S., Swarnkar, R., Bhukya, S., Namwade, G.: Application of drone in agriculture.
Int. J. Curr. Microbiol. Appl. Sci. 8(1), 2500–2505 (2019)
121. Mogili, U.R., Deepak, B.: Review on application of drone systems in precision agriculture.
Proc. Comput. Sci. 133, 502–509 (2018)
122. Daponte, P., De Vito, L., Glielmo, L., Iannelli, L., Liuzza, D., Picariello, F., Silano, G.: A
review on the use of drones for precision agriculture. IOP Conf. Ser. Earth Environ. Sci. 275,
1–11 (2019)
123. Abdullahi, H.S., Mahieddine, F., Sheriff, R.E.: Technology impact on agricultural produc-
tivity: A review of precision agriculture using unmanned aerial vehicles. In: Pillai, P., Hu, Y.,
Otung, I., Giambene, G. (eds) Wireless and Satellite Systems, WiSATS, Lecture Notes of the
Institute for Computer Sciences, Social Informatics and Telecommunications Engineering,
vol. 154, pp. 388–400. Springer, Cham (2015)
124. Primicerio, J., Di Gennaro, S.F., Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, F.P.:
A flexible unmanned aerial vehicle for precision agriculture. Precis. Agric. 13(4), 517–523
(2012)
125. Bendig, J., Bolten, A., Bareth, G.: Introducing a low-cost mini-UAV for thermal-and
multispectral-imaging. International Archives of the Photogrammetry, Remote Sensing
and Spatial Information Sciences, XXII ISPRS Congress, vol. XXXIX-B1, pp. 345–349,
Melbourne, Australia (2012)
126. Anthony, D., Elbaum, S., Lorenz, A., Detweiler, C.: On crop height estimation with UAVs.
In: International Conference on Intelligent Robots and Systems, pp. 4805–4812. IEEE/RSJ,
Chicago, IL (2014)
127. Huang, Y., Hoffmann, W.C., Lan, Y., Wu, W., Fritz, B.K.: Development of a spray system for
an unmanned aerial vehicle platform. Appl. Eng. Agric. 25(6), 803–809 (2009)
128. Faiçal, B.S., Costa, F.G., Pessin, G., Ueyama, J., Freitas, H., Colombo, A., Fini, P.H., Villas,
L., Osório, F.S., Vargas, P.A., Braun, T.: The use of unmanned aerial vehicles and wireless
sensor networks for spraying pesticides. J. Syst. Architect. 60(4), 393–404 (2014)
Robots and Drones in Agriculture—A Survey 29

129. Faiçal, B.S., Freitas, H., Gomes, P.H., Mano, L.Y., Pessin, G., de Carvalho, A.C.P.L.F., Krish-
namachar, B., Ueyama, J.: An adaptive approach for UAV-based pesticide spraying in dynamic
environments. Comput. Electron. Agric. 138, 210–223 (2017)
130. Kurkute, S.R., Deore, B.D., Kasar, P., Bhamare, M., Sahane, M.: Drones for smart agriculture:
A technical report. Int. J. Res. Appl. Sci. Eng. Technol. (IJRASET) 6(IV), 341–346 (2018)
131. Talaviya, T., Shah, D., Patel, N., Yagnik, H., Shah, M.: Implementation of artificial intelligence
in agriculture for optimisation of irrigation and application of pesticides and herbicides. Artif.
Intell. Agric. 4, 58–73 (2020)
132. Thompson, L.J., Shi, Y., Ferguson, R.B.: Getting Started with Drones in Agriculture (G-2296).
University of Nebraska Extension, NebGuide (2017)
133. Zheng, H., Zhou, X., Cheng, T., Yao, X., Tian, Y., Cao, W., Zhu, Y.: Evaluation of a UAV
based hyperspectral frame camera for monitoring the leaf nitrogen concentration in rice. In:
International Geoscience and Remote Sensing Symposium (IGARSS), pp. 7350–7353. IEEE,
Beijing (2016)
134. Reinecke, M., Prinsloo, T.: The influence of drone monitoring on crop health and harvest size.
In: 1st International Conference in Next Generation Computing Applications (NextComp),
pp. 5–10. IEEE, Mauritius (2017)
135. Psirofonia, P., Samaritakis, V., Eliopoulos, P., Potamitis, I.: Use of unmanned aerial vehicles
for agricultural applications with emphasis on crop protection: Three novel case-studies. Int.
J. Agric. Sci. Technol. 5(1), 30–39 (2017)
136. Yallappa, D., Veerangouda, M., Maski, D., Palled, V., Bheemanna, M.: Development and
evaluation of drone mounted sprayer for pesticide applications to crops. Glob. Humanitarian
Technol. Conf. (GHTC), pp. 1–7. IEEE, San Jose, CA (2017)
137. Pharne, I.D., Kanase, S., Patwegar, S., Patil, P., Pore, A., Kadam, Y.: Agriculture drone sprayer.
Int. J. Recent Trends Eng. Res. 4(3), 181–185 (2018)
138. Xiang, H., Tian, L.: Development of a low-cost agricultural remote sensing system based on
an autonomous unmanned aerial vehicle (UAV). Biosys. Eng. 108(2), 174–190 (2011)
139. Senthilnath, J., Dokania, A., Kandukuri, M.K.N.R., Anand, G., Omkar, S.N.: Detection of
tomatoes using spectral-spatial methods in remotely sensed RGB images captured by UAV.
Biosys. Eng. 146, 16–36 (2016)
140. Kushwaha, H.L., Sinha, J.P., Khura, T., Kushwaha, D.K.: Status and scope of robotics in
agriculture. Int. Conf. Emerg. Technol. Agric. Food Eng. 264–277 (2016)
141. Roldán, J.J., del Cerro, J., Garzón-Ramos, D., Garcia-Aunon, P., Garzón, M., de León, J., Barri-
entos, A.: Robots in agriculture: State of art and practical experiences. Appl. Rob. Greenhouse
Farming 67–90 (2018)
142. Emmi, L., de Soto, M.G., Pajares, G., de Santos, P.G.: New trends in robotics for agriculture:
Integration and assessment of a real fleet of robots. Sci. World J. 2014, 21 (2014)
Detection of Rotten Fruits and Vegetables
Using Deep Learning

Susovan Jana , Ranjan Parekh, and Bijan Sarkar

1 Introduction

Fruits and vegetables are very necessary items for our daily life. There are different
species of edible fruits and vegetables in nature. Fresh fruits and vegetables are not
only delicious to eat but also a good source of many important vitamins or minerals.
Fresh fruits and vegetables are used in the food processing industries to process deli-
cious food products. The fruits and vegetables have to pass through various stages
from harvesting to reach the customer. The stages are harvesting, sorting, classi-
fication, grading, etc. The manual execution of those tasks requires lots of expert
resources and a long time. Many countries are suffering from a resource shortage for
agricultural tasks because of a lack of interest in such a laborious job. Hence, automa-
tion is needed in every aspect of the processing of fruits and vegetables. Computer
vision and machine learning have earned huge success in solving various automa-
tion problems in different industries. The researchers also contributed to addressing
various problems in fruits and vegetable processing with the help of computer vision
and machine learning techniques. This chapter explores those problems and chal-
lenges of fruits and vegetable processing using computer vision and machine learning
techniques. The major focus has been given on the problem of automatic detection
of rotten fruits and vegetables.

S. Jana (B) · R. Parekh

School of Education Technology, Jadavpur University, Kolkata 700032, India
e-mail: [email protected]
R. Parekh
e-mail: [email protected]
B. Sarkar
Department of Production Engineering, Jadavpur University, Kolkata 700032, India
e-mail: [email protected]

© The Author(s), under exclusive license to Springer Nature Singapore Pte Ltd. 2021 31
M. S. Uddin and J. C. Bansal (eds.), Computer Vision and Machine Learning
in Agriculture, Algorithms for Intelligent Systems,
https://doi.org/10.1007/978-981-33-6424-0_3
32 S. Jana et al.

Most of the time, the shape, color, and texture are changed on the surface of rotten
fruit and vegetable. The bad smell is also an important indication of rot. The fruits
and vegetables mostly rot in the inventory. There are many factors for the fruit or
vegetable to become rotten [1, 2]. The factors are temperature, moisture, air, light,
and microorganisms. The fruit and vegetables also rot during transportation [3, 4].
A single rotten fruit or vegetable can damage multiple fresh fruit and vegetable in
inventory. Inventory damage causes a good amount of loss in the business of fruits
and vegetables. The early detection of rotten fruits and vegetables reduces the amount
of damage inside inventory or store and also enhances food safety. Manual resource
detects rotten fruits and vegetables by smelling, observing the shape deformation, and
change in surface color, and texture. The smell cannot be tested in case of automatic
detection of rotten fruits and vegetables using computer vision and machine learning.
The computer vision has to rely only on the change of surface feature compared
with the fresh one. It makes the task of computer-based detection of rotten fruits
and vegetables into a challenging task for researchers. This chapter addressed the
problem of rotten fruit and vegetable detection using state-of-the-art deep learning
techniques. A convolutional neural network (CNN) architecture has been proposed
to classify the rotten and fresh from a captured image of fruit and vegetable.
This chapter has been structured as follows: Sect. 2 describes the state-of-the-art
problems and challenges of fruits and vegetable processing using computer vision
and machine learning techniques. Section 3 elucidates the materials and the proposed
method in detail. Section 4 brings experiments and results. A detailed discussion on
this work has been presented in Sect. 5. Section 6 concludes the chapter with future
scope.

2 Computer Vision and Machine Learning in Fruits

and Vegetable Processing

The computer vision and machine learning had already achieved astounding success
in many automation challenges regarding fruits and vegetable processing. Computer
vision completely relies on the appearance of the outer surface of fruits or vegetables.
The literature on fruits and vegetable processing can be broadly categorized based
on problems. This section highlights some of the very challenging problems of fruits
and vegetable processing i.e. segmentation and detection of fruits and vegetables
from the natural environment, classification of fruits and vegetable type, grading the
fruits and vegetables, sorting the defective fruits, and vegetables.
Discovering Diverse Content Through
Random Scribd Documents
javadalmazásból… mi kell a gyermekeknek… egy egész életet éltek
át – képzeletben.
Olyan bizonyosra vették a kinevezést, hogy nyiltan beszéltek a
gyermekek előtt, s később maguk a gyermekek is tréfálkoztak
szüleiknek ezen az emlékezetes, nem első, de utolsó csalódásán:
– Tudjátok, ez aznap történt, amikor a papa igazgató volt!…
Huszonkettedikén reggel Gregorics betámolygott az
államtitkárhoz és zöldesfehér ábrázattal várta az itéletet.
Az államtitkár, aki már három nappal előbb aláiratta a miniszterrel
azt az okiratot, mely Szenttamásy Ferdit nevezte ki az alsó-tengelici
állami csillagvizsgáló intézet igazgatójává, – Szenttamásy Ferdi
érdekes fiu és kitünő parti volt, akit rendkivül sokan protegáltak – igy
szólt az ájuldozó Gregoricshoz:
– Egy kis memorandumot kellene kidolgozni arról, hogy micsoda
ujitások váltak szükségesekké az alsó-tengelici csillagvizsgáló
intézetben s hogy milyen feladatokat tüzzön a miniszterium az
ujonnan kinevezett igazgató, Szenttamásy Nándor ur elé. Önt ügyes
embernek mondják. Ha elvállalja ezt a munkát, tiz napi tizkoronás
napidijnak és utiköltségeinek megtéritésén kivül kétszáz korona
jutalomdijban részesitjük önt.

IV.

Néhány esztendővel később, az utolsóelőtti órák egyikében,

amelyeket a gyomorfekély Gregoricsnak még megengedett,
Gregoricsné aggodalmasan kérdezgette férjét, odahajolva az ágyban
fekvő beteghez:
– Igazán, szünnek a fájdalmaid?
 – Jóformán semmi fájdalmat se érzek – felelt Gregorics. – Régen,
nagyon régen nem volt ilyen jó napom. Olyan jól, olyan erősnek,
olyan boldognak érzem magamat, mint azon a szép napon…
És mosolyogva folytatta:
– Tudod, azon a napon, amikor igazgató voltam!…
 HALDOKLÓK.

I.

A főhadnagynak a huga nyitott ajtót.

– A papa rosszul van – szólt a leány.
– Megint elszédült?
– Több ez, mint szédülés. Egészen ugy volt, mint a multkor. Egy
darabig, akárhogy erőlködött, nem tudott szólni s olyan görcsösen
tartotta a kezében az ujságot, hogy nem birtuk tőle elvenni. Aztán
mindenáron beszélni akart, de csak érthetetlen szavakat dadogott.
Most már jobban van, beszélni is tud, de – rémitő volt.
– Mit mondott az orvos?
– Hogy egyelőre tul van a veszedelmen, de senki sem tudhatja,
nem ismétlődik-e meg a roham két vagy három nap mulva. Hogy
nem lehet rá eléggé vigyázni és óvni kell minden legcsekélyebb
izgalomtól.
– Mért nem sikkasztjátok el előle az ujságot?
– Lehet is azt! Hiszen az ő kezébe kerül legelőször! Éjjel nagyon
keveset alszik és alig tudja megvárni a reggelt. Ma is, négy órakor
már felkelt, átment az ebédlőbe, ahol órákig elsétálgat. Hallottuk,
hogy negyedhét, félhét tájban többször kint járt az előszobában és
ki-kinyitogatta a külső ajtót; nyilván az ujságot kereste a kilincsen.
Annyi bizonyos, hogy a leány, mikor hétkor benyitott hozzá, már az ő
kezében találta. A leány nem is vette észre mindjárt, hogy aléltan
fekszik a kanapén. Csak amikor a reggelit vitte oda neki, rohant ki
hozzánk rémülten. Különben a legnagyobb figyelemmel néztem át az
ujságot, de nem találtam benne semmit.
– Mégis abban lehetett valami, ami felizgatta. Mit csinál most?
Alszik?
– Az előbb még aludt. De meghagyta, hogy mihelyt megjössz,
azonnal küldjelek be hozzá.
– Talán jobb lesz, ha megvárom, mig fölébred.
– Nem, csak menj be mindjárt. Nagyon idegessé tette, hogy
sokáig kellett rád várnia.
A beteg meghallotta, hogy odakint beszélgetnek és kiabálni
kezdett belülről.
A tiszt bement, s olyan megváltozottnak találta az apját, hogy
egyszerre valami rég nem érzett, mély megindulás vett rajta erőt.
Egy idő óta ritkán látta az öreg urat; észre kellett vennie a facies
hippocraticát.
Gyöngéd hangon kezdett kérdezősködni:
– Mi történt?… Mit éreztél, amikor rosszul lettél?… Jobban vagy-e
már?…
És rajta volt, hogy hamarosan megvigasztalja:
– De hiszen már semmi bajod!… Eh, semmi se történt!…
Katonadolog!…
Leült az ágy mellé, vidámságot tettetett, egy pár perc alatt a
tökéletesen megnyugtató tünetek egész seregét fedezte fel;
ekközben jobban betakarta, ápolgatta, dajkálgatta az öreg
gyermeket, s minden szavából kiérzett a meghatottság.
 Az öreg leste s titkolt örömmel fogadta ezt a hatást.
Panaszkodott, nyögött, mindenáron sajnáltatni akarta magát.
Fájdalmakat szinlelt s a teljesen megtörtet adta, hogy a fia még
betegebbnek gondolja, mint amilyennek ő maga tartotta magát –
pedig már nem lehetett volna betegebb.
– Hát még szeretsz egy kicsit? – kérdezte látható elégtétellel.
És mindjárt igy folytatta, tréfás hangon, bár komolyan gondolta:
– Szeretsz még annyira, hogy megvernél valakit a kedvemért?
– Akár meg is ölöm, hogyha ugy kivánod! – tréfálkozott a tiszt.
– Azt nem! – szólt komolyan az öreg. – Hanem pofozd fel! Verd
meg jól! Verd agyba-főbe! Ugy, hogy egy darabig ne tudjon
megmozdulni! Ugy, hogy jól megkéküljön!
– Kit akarsz igy megkékiteni? – kérdezte meglepetten a fia.
– Miklosics Nándort – suttogta az öreg.
– Az öreg Miklosicsot?
– Nem is olyan öreg. Hiszen együtt jártunk iskolába!
– És miért?
– Azt ne kérdezd. Tedd meg szó nélkül. Menj oda és pofozd fel
jobbról-balról. Aztán mondd meg neki: „Ezt az apám küldi!“
– De, apám, csak nem gondolod komolyan?…
– Szóval nem teszed meg. Ha a babádat valaki a kávéházban
szemügyre veszi, ebbe az emberbe belekötsz, leütöd,
összeszabdalod; de ha az apádat gyalázzák, azt csak intézze el az
apád maga! A megbénult, haldokló öreg ember, ha elégtételt akar,
hát csak szerezze meg magának!… ugy, ahogy tudja!… olyat, amilyet
tud!…
 – Nagyon jól tudod, hogy nincs igazad. Még csak az kellene,
hogy téged gyalázzanak!… Persze, hogy nem türném el! De hát ki
gyalázott és hogyan? Mit csinált ez az öreg Miklosics, hogy ennyire
elfogott az indulat?!… Mondd el és én azonnal elintézem a dolgot,
biztositlak, hogy a legteljesebb megelégedésedre!
– Ezt a dolgot csak egyféleképen lehet elintézni. Ha nem
kérdezősködöl, hanem odamész és szó nélkül felrugod!
– De kérlek, hogyan képzelhetsz ilyet?… Ez a Miklosics egy
haldokló aggastyán!… Öreg, beteg és nyomorék!… Ép ember
korában is csak akkora volt, mint egy hernyó és már rég óta béna…
tolószéken vontatják jobbra-balra… félig vak, vagy talán már
egészen meg is vakult…
– Hogy is ne! Csak szimulálja a látóideg sorvadást, mert
sajnáltatni akarja magát. Közönséges szivárványhártyagyuladása
van.
– Elég az hozzá, ez a Miklosics már nem ember, hanem csak egy
emberi roncs!… Hiszen ha én ehhez csak egy ujjal is hozzányulnék,
akkor engem joggal kikergetnének a világból!… Nem értem, hogyan
juthatott eszedbe ilyen szörnyüség!… és egy percig is hogyan
gondolhatsz rá komolyan?… A felindulás, ugy látszik, megfosztott a
józan itélőképességedtől… Igen, ha volna egy felnőtt fia, akkor
megtehetném, hogy a kivánságodra minden további kérdezősködés
nélkül inzultálnám a fiát… bár akkor is helyesebb volna számadásra
vonni a fiut és elégtételt követelni tőle… mert hátha nem is tudna a
dologról, amint én nem tudok?!… De nincs fia, a leányát pedig nem
hivhatom ki párbajra!…
– Tehát, mert nincsen fia, vágjam zsebre, hogy tolvajlással vádol?
– Hol vádol tolvajlással?… Mi történt és mikor?… Mondd el már!…
Az öreg ember a párnája alól egy összehajtogatott ujságot vett
elő, kibontotta és átnyujtotta a fiának, rábökve az ujjával az utolsó
oldalon a kishirdetések egy helyére.
 A tiszt álmélkodva olvasta:
„PRUTYI! Ne felejtkezzél meg róla, hogy szökőévben vagyunk és
hogy sajnos, minden február huszonkilencedikén meg kell fürödnöd!
Simi tiszteltet a tengeren tulról és a közös kasszából egy kis
aprópénzt kér. A Francia Bank miatt ne aggódjál: ott már
elfelejtették a dolgot!“
Hogy az öreg ember nagy – talán halálos – felindulásának
magyarázatául ezzel a kishirdetéssel áll elő, olyan meglepőnek és
groteszknek tünt fel a főhadnagy előtt, hogy meghatottságában és
nyugtalanságában is majdnem elmosolyodott.
– Mi ez? – kérdezte. – Nem értem.
– Prutyi, – szólt az öreg – ez én volnék. Az iskolában csufoltak
igy. Az első sorok azt akarják mondani, hogy tisztátalan vagyok. Egy
életen át üldözött ezzel. Egyszer, az iskolában, valamiért
összeszamaraztam és mert hamarjában nem tudott mit visszavágni,
boszuból azt találta ki, hogy nem szoktam megmosni a nyakam. A
gyerekek előtt ilyesminek mindig nagy hatása van. Ő vagyonos
szülők gyermeke volt, bársony nadrágban járatták, arany óraláncot
viselt, én csak szegényesen öltözködhettem – és ennyi elég volt rá,
hogy ezt a ráfogást sohase tudjam lemosni magamról. Később is
mindig ezen az ostoba hazugságon nyargalt: a hátam mögött
mindenfelé ezt beszélte rólam és szemtől-szembe is tett erre
homályos célzásokat. Ezeket aztán, amikor az egyetemi éveinkben
egypárszor kérdőre vontam, letagadta, kimagyarázta, vagy
igazságtalan, gyerekes tréfának mondta; néha a nyakamba borult,
igaz barátomnak hazudta magát és sirva kért bocsánatot.
– Különös, hogy az utolsó néhány évet nem számitva, minden
időben sokat érintkeztetek…
– Egy kissé talán azért is, hogy visszaadhassuk egymásnak a
kölcsönt, mert elképzelheted, hogy a gyilkos tréfálózásban nem
maradtam adósa. De ő kezdte, a pimasz!… Persze, leginkább mégis
az átkozott véletlennek tulajdonithatom, hogy mindig egy körben
É
kellett mozognunk. És ez a gazember, ez a disznó, mondhatom,
megrontotta az egész életemet! Ha valamikor ezt vagy azt nem
értem el, egyesegyedül neki tulajdonithatom; ha abból, amire
vágyódtam, sok nem teljesedhetett, ő tette!… ő akadályozta meg a
sikeremet itt is, ott is, a gyanusitgatásaival, a ráfogásaival, a
rágalmaival… azzal, hogy ahol csak tehette, ócsárolt, gunyolt,
kisebbitett. Mindig cipeltem magamon valami gyanut, soha se tudva,
hogy mit, mint az a szegény gyerek, akinek a hátára a másik gyerek
orozva cédulát tüzött fel, amelyet mindenki láthat, csak éppen ő
maga nem látja, hogy a hátán ezt a felirást hordja: „Szamár“.
Mindazt a gyanut, amelyet valaha el kellett viselnem, ő akasztotta
rám; a gyanusitgatásnak és a gyalázkodásnak néha egész sleppjét
vonszoltam magam után és ha bizalmatlansággal, idegenkedéssel
vagy kicsinyléssel találkoztam, ezt mind annak köszönhettem, hogy
nem átallotta a legszemtelenebb s a leghazugabb ráfogásokat
hiresztelni rólam.
– A harag alighanem igazságtalanná tesz s bizonyosan túlzod a
dolgot. Hiszen mi ezt nem is sejtettük!… pedig ha folytonosan
ócsárolt és rágalmazott volna, ahogy mondod, ahogy képzelted, egy
és más okvetlenül eljutott volna a mi fülünkbe is!…
– A családomat csak nem traktálhattam a boszuságaimmal és a
keserüségeimmel! Aztán meg a gazember mindig óvatos volt a
rágalmazásban, kivált, amióta felnőttél, de előbb is. Hiszen én
magam se tudtam fülöncsipni a rágalmat!… nem kerülhettem
szembe vele soha. Egyetlen egyszer… de a gazember akkor is
kisiklott a kezeim közül… mindent letagadott… esküdözött, hogy
ártatlan benne, hogy ő a legjobb emberem!… És ez a hallatlan
galádság, hogy most arcátlanul vágja a szemembe, amiről akkor
tudni se akart, amiről maga is azt mondta, hogy ilyet csak a
legförtelmesebb gazemberek terjeszthetnek rólam!…
– De hát mi az!
– A Francia Banknak volt egy vezető embere, valami Lind Simon,
akivel az igazgatóság összekülönbözött, mert azt hitték, hogy ostoba
fráter, aki szerencsétlenül dolgozik. Kitették a szürét, és ebben a
zsiványban volt annyi szemtelenség, hogy bepörölte a bankot. Már
régebben én voltam az ügyvédje… engem is becsapott, mint
mindenkit… s amikor én javában bizonyitgattam az ő igazát, egy
szép napon megszökött, valószinüleg Amerikába… mert ma is bottal
ütik a nyomát. Rövidesen kiderült, hogy valami hihetetlen
ravaszsággal rettenetesen meglopta a bankot, s a pört csak azért
inditotta meg, hogy itthon mindenkit lóvá tehessen addig, amig a
külföldön végrehajthatja a körmönfont csalást. Miklosics ekkor azt a
gyanusitást bocsátotta szárnyra, hogy a zsiványt én szöktettem meg
és hogy osztozkodtunk a prédán. A banknál jól tudták, hogy ez
képtelenség, mert a furfangos zsivány, egy régi, eltitkolt
intézkedésének a segitségével, csak a szökése után, egy párisi nagy
pénzintézetnél tehette rá a kezét a bank vagyonára (a csalás olyan
volt, hogy csak egy volt igazgató követhette el), senki se
gyanusithatott meg, aki ismerte az ügyet… de a könnyenhivőkkel
elhitethette, hogy gyanus vagyok… semmi se olyan kapós, mint a
rágalom. Mikor megneszeltem a dolgot, utána jártam a lappangó
gyanunak és sejtve, hogy honnan fuj a szél, rátörtem a régi
ellenségre. Mindent letagadott; esküdözött, hogy egy szót se hallott
az egész dologról; komédiázott, mintha felháborodnék azon, hogy
ilyesmit hiresztelnek rólam… rólam, akiről ő is és mindenki tudja,
hogy puritán ember vagyok! És most, több mint husz év multán, van
pofája az arcomba vágni ezt a cudar vádat!
– Azóta bizonyosan történt köztetek valami…
– Azóta ujra, meg ujra szemtelenkedett velem s hogy miket
hiresztelt rólam, mi mindent követett el ellenem, azt el tudom
képzelni. Egyik-másik turpisságát megtudtam, de talán a tizedrészét
se annak, amit ellenem vétett; és hogy mennyi kárt okozott nekem,
az már soha se fog kiderülni. Természetesen, én se kiméltem őt, ha
róla volt szó… csak nem nyilatkozom gyöngéden az ilyen halálos
ellenségről?… mindig gyülöltük egymást, de minél inkább mult az
idő, annál inkább elmérgesedett köztünk az a furcsa viszony, amelyet
ő sokáig barátságnak akart feltüntetni.
 – Azt hiszem, nagy hibát követtél el ebben a dologban. Ha még
jogászkorodban alaposan, komolyan kiverekszed magadat vele, sok
boszuságtól kimélted volna meg magad. Egy életen át sinyled, hogy
egyszer nem voltál eléggé határozott. Hiába, vannak idegenkedések,
amelyeket nem szabad megőrizni, mert mérget halmoznak fel a
szervezetben!… és vannak versengések, amelyeket hamarosan el kell
dönteni! Erre a célra pedig a legjobb eszköz a kard. Ha akkor
egyszer s mindenkorra leszámoltál volna vele…
– Erre magam is sokszor gondoltam később.
– Vagy aztán, ha már ezt elmulasztottad, ne törődtél volna vele.
Hagytad volna, beszéljen és csináljon, amit akar. Végre is elunta
volna, hogy folytonosan ellened áskálódjék.
– Ehhez nem volt elég önuralmam.
– Pedig a legrosszabb, amit tehettél, az volt, hogy mindig számon
tartottad, mit csinál. Persze, visszalövöldöztél te is, amikor alkalmad
nyilt rá?
– Azt nem tagadom, hogy én is sok borsot törtem az orra alá.
– Gyónd meg, régóta nyájaskodtok már az ujságban?
Kisült, hogy már vagy négy éve enyelegnek a kishirdetések közt.
– Már most mit csináljunk ezzel a hullával?! – tanakodott
fenhangon a főhadnagy. – Semmit se csinálhatunk neki. Különben
kár ugy a szivedre venned a dolgot. Mit árt neked az, akármilyen
aljas gyanusitást dugdos is bele a kishirdetéseibe?! Vád az, amelyet
titkos jelekbe, hieroglifákba foglalnak?! Hiszen mintha kinai nyelven
levelezne veled! Ki tudja, hogy rólad van szó és hogy mit akar az
orrod alá dörgölni?! Idegenek számára az egész megérthetetlen…
olyan ez, mintha egy gyerek a sötétben kiölti rád a nyelvét.
Vagy egy félórai vitatkozás után ugy látszott, hogy valamennyire
mégis csak sikerült az öreget megnyugtatnia. Megigértette az
apjával, hogy ezentul soha, egy szóval se fog felelni a konok
ellenségnek, s azt is, hogy ezután kezébe se veszi az ujságot. Aztán
elment dolgára.
Az öreg, mikor magára maradt, egy darabig eltünődött s aztán
igy sóhajtott fel:
– Csak még addig ne haljak meg, mig még egyszer,
egyetlenegyszer megfelelek neki!…
A felesége meg a leánya előtt eltitkolta a tervét. Félt, hogy
lebeszélik vagy kijátszszák.
Várt. Majd csak akkor fog cselekedni, amikor amazok elalusznak.
Egész este szótlan volt; el-elgondolkozott s néha egy-egy mosolyt
fojtott el.
Az izgalom már hajnalban felköltötte. Felkászolódott, nagy
csöndben átvonult az ebédlőbe s ott várta meg a reggelit,
sétálgatva.
Mikor a szobalány bevitte hozzá a reggelit, egy cédulát meg két
forintot nyomott a lány kezébe.
– Ezt a kishirdetést – szólt – nyolc órakor el fogod vinni a
kiadóhivatalba. A másik forint a tiéd, de senkinek se mondod meg,
hogy hol jártál, érted?
Aztán ujra lefeküdt és végre valahára megnyugodva, mindjárt
elaludt.

II.

Másnap, reggeli nyolc óra tájban, Miklosics, tolószékéből

türelmetlenül kiabált át feleségének a másik szobába:
– Még most se öltöztél fel?
 Miklosicsné, aki már látta az ujságot, éppen azon töprengett,
hogy miképen sikkaszthatná el a nagy kellemetlenséget.
– Mindjárt!…
– Meddig várjak még? – zsémbelt az aggastyán.
Az ujságban valami nagy szerencsétlenségről volt szó;
Miklosicsné azt remélte, hogy ezzel eltéritheti férjének a figyelmét a
veszedelmes sorokról.
– Nem, nem, a kishirdetéseket olvasd!… sürgette Miklosics.
Miklosicsné olvasni kezdte a „Molett szőke asszonyká“-t, meg a
másik „fiatal hölgy“-et, aki előkelő, vagyonos ur ismeretségét
keresi…
– Keresd meg mindjárt Trifunáczot!…
– Ma nincs Trifunácz. Sehol se találok Trifunáczot.
– Azt akarod, – sirt Miklosics – hogy a vak szememmel
keresgéljem meg? Mi lehet benne, hogy nem mered felolvasni?
Túl kellett esni rajta. S az asszony halkan olvasta:
„TRIFUNÁCZ! Nellit és Margitot délután laktanyában várja szőke
kadét és barna főhadnagy. Gratulálok az esküvődhöz; én is ott
leszek.“
– A gyalázatos! – suttogta aztán.
Jól értette. Miklosics külfödön esküdött meg a feleségével és az
öreg Laszlovszky Péter egy időben azt hiresztelte, hogy
vadházasságban élnek. Nellinek őt hivták, Margitnak meg a
leányukat.
– A gazember, a disznó, a becstelen rágalmazó, az alávaló bestia!
– orditozott Miklosics – most már nem elég neki, hogy téged
gyanusitgat, most már az ártatlan kis lányunk becsületét se kiméli!…

Ó
Óh, hogy nincs fiam, aki keresztülgázoljon rajta és kitapossa a
belét!…
Aztán ujra kezdte:
– Egy életen át üldözött!… Már az iskolában is üldözött!… És
megrontotta az egész életemet!… Ami bajom volt, mind ő okozta!…
A disznó!… Az alávaló gazember!…
Addig orditozott, mig elfogta a roham és fuldokolni kezdett.
Két napig volt magánkivül. De megint felgyógyult és a háboru
ujra kezdődött.
Hol az egyik, hol a másik helyezte el a kishirdetések közé a
méreggel átitatott „kedélyeskedés“-t. Amelyik túladott a maga
nadragulyáján, vigadott a jó tréfán és azon az éjjelen édesdeden
aludt, mint aki sikerült, jó munkát végzett.
Aztán lesték a feleletet és mindegyik, mindig belebetegedett a
feleletbe.
Már csak hálni járt beléjök a lélek; már csak ennek éltek. De ezt
kiélvezték és ugyancsak átszenvedték.
Megint gonosz gyermekek voltak.
Valami hasznosra már nem voltak alkalmasak, de ártani még
tudtak.
Az ember néha hajlandó elhinni, hogy minden nagy baja magától
a természettől van. A halál, a betegség, a testi szenvedés, mind
természetes; az éhséget, a fázást, a sokféle fajta nélkülözést, mind,
mind a természet küldi ránk.
Elfelejtjük, hogy a természet türelmes, elnéző, kegyes és a
segitségre mindig kész barátunk.
Elfelejtjük, hogy az ember legnagyobb ellensége; az emberi
ostobaság és az emberi gonoszság. Az emberi állat.
 Ugy haltak meg, mint a leghiresebb szerelmesek: Jaufre Rudel és
Melisande, egymástól távol, de azonegy órában.
Amint hogy az utolsó tiz évben ugy is éltek: egymást soha se
látva, de mindig egymásra gondolva.
 GYŐZELMES HARC.

I.

Buenos-Ayresben sok a milliomos. Argentinában a föld még

zsiros, az állatok szaporák és erősek, a bányák kiaknázatlanok. Az
angol tőke csak ugy özönlik oda, hogy minden vállalkozást
elkaparintson a spanyolok, franciák és olaszok elől. S a vállalkozás
mind jól fizet: a kiaknázatlan ezüstbányákhoz nem lehet annyi
vasutat épiteni, hogy a személy- és áruforgalom be ne váltsa a
hozzáfüzött reménységeket.
A buenos-ayresi milliomosok tehát olyan szép számmal vannak,
hogy külön klubot alapithattak. A milliomos is társas lény; a
milliomosok is rászorulnak, hogy egymáson vagy mások rovására
mulassanak, még inkább, hogy egymást lefőzhessék.
Hogy azután a milliomosok klubjába még a milliomosoknál is
nagyobb számban jutottak be olyanok, akik még messze voltak a
milliótól, de erősen eltökélték, hogy milliomosok lesznek – ezen csak
az csodálkozhatik, aki nem ismeri a klubok természetrajzát.
A milliomosok különben jól összefértek tehetséges
tanitványaikkal. Megelégedtek azzal, hogy egymással is gyakran
találkozhatnak; örültek rajta, hogy a milliomos-növendékekben
áhitatos közönségük van; és végre is, összejövetelük helyéről csak a
közönséges embert akarták kizárni, a milliomok született
merénylőjét, azt a szunyog-rajt, amelyet oly nehéz elriasztani s
amely folyton azt zugja, zizegi az ember füle körül, hogy ő:
„Szegény! szegény!“
A milliomosokat kielégitette a klubjuk, de nem elégitette ki a
milliomos-növendékeket.
Ezek igy zugolódtak:
– Miért szorongjunk egy szük bérpalotában, mikor olyan sokan
vagyunk, akik elszántan milliomosok akarunk lenni?! Miért ne
épittetnénk magunknak hozzánk illő palotát, egy olyan gyönyörü
épületet, amilyen még sehol se volt, mikor sok tagtársunknak annyi
a pénze, mint a polyva?! Ha klub, legyen kényelmes; ha egyesülés,
dolgozzunk a közjón egyesült erővel, ki-ki a maga erejéhez képest!
Némelyek még azt is gondolták magukban (de ezt már nem
mondták el):
– Egy sokmilliós épitkezés mindig szép üzlet. És ha ügyesen
buzgólkodunk e körül az üzlet körül, szerezhetünk mellette, ha nem
is közvetlen hasznot, legalább – hasznos barátokat, hálás hiveket,
készpénzt érő összeköttetéseket.
S minthogy ők voltak többségben, megszavazták az épitkezést.
Kimondották, hogy a klub palotája páratlanul nagyszerü legyen, és
kiküldöttek egy végrehajtó bizottságot, melynek az volt a hivatása,
hogy minden szükségesről intézkedjék.
A végrehajtó bizottság három tagból állt: egy vasuti vállalkozóból,
akinek a hidjai nem a kikötött anyagból épültek, egy előkelő
bankárból, aki nem szerette, ha a multját feszegették (mert azt
beszélték róla, hogy első ifjuságában kötéltáncos volt), meg egy
szélütött öreg urból, aki élelmet szállitott a buenos-ayresi
kórházaknak, talán nem kell mondani, hogy pénzért.
Mikor felmerült a kérdés, hogy kire bizzák az épitkezést, a három
urnak ugyanegy gondolata támadt:
 – Kérjünk tanácsot Ramiro mestertől, a „Buenos-Ayres“
szerkesztőjétől. Ramiro mester okos ember, mert aki ugy kezdi, hogy
husz éves korában egy panoráma megtekintésére hivja fel harsány
szóval a piac közönségét és ugy folytatja, hogy ötven éves korában
egy virágzó vállalat élén állva irányitja a közvéleményt, az már
kiállotta az eszesség próbáját. Aztán meg az az ember, akinek
négyszázezer olvasója, tehát négyszázezer hive van, sohase
tévedhet akkorát, mint akinek senki se áll a háta mögött.
Ramiro mester, a „Buenos-Ayres“ szerkesztője és kiadó-
tulajdonosa, kitérő feleletet adott tisztelt barátainak:
– Igazán senkit se tudok ajánlani. Mert ismerek ugyan egy kitünő
épitőmüvészt… és ez az egyetlen, akiben én magam megbiznám…
de ez, szerencsétlenségemre, a fiam. Már pedig a fiamat csak nem
ajánlhatom! A fiam ugyan elsőrangu erő; huszonhárom éves, duzzad
a tehetségtől; és ha a tudománya annyit ér, amennyibe nekem
épitőmérnöki diplomájának a megszerzése került, akkor ilyen épitőt
még nem látott a világ. De én mindig puritán ember voltam; sohase
vagyok kapható semmiféle nepotizmusra; és inkább azonnal
némuljak meg, minthogy csak egy szóval is ajánljam a fiam.
Akármennyire megtisztel tehát a bizalmuk, erre a kérdésre én… és
éppen csak én nem tudok felelni.
A végrehajtó bizottság tagjai élénken tiltakoztak a „nepotizmus“
szó hallatára. Meggyőződésük egész erejével szálltak sikra a
szerkesztő ur felfogása ellen; férfias nyiltsággal jelentették ki, hogy
ebben az egy dologban, legnagyobb sajnálatukra, szembe kell
helyezkedniök tisztelt barátjukkal, és bátran kitartottak amellett,
hogy bármilyen harcot inditson ellenük a buenos-ayresi közvélemény
irányitója, ők bizony az ifju Ramiróra fogják bizni az épitkezést.
Azon a napon, mikor az ifju Ramiro aláirta a szerződést, a
buenos-ayresi kórházak élelmezésének nagyvállalkozója lakására
rendelte az üzletvezetőjét és igy szólt hozzá:
 – Szomorodott szivvel hallom, hogy kórházainkban az egészségi
állapotok nem mintaszerüek. A betegek gyógyulását a tulságosan bő
táplálkozás észrevehetően késlelteti s kivált a sok husétel nagyon
hajlamossá teszi őket a köszvényre és más betegségekre. Semmi se
egészségtelenebb, mint a táplálkozásnak a feleslege, s
tapasztalásból mondhatom, hogy a gutaütést a legtöbb esetben a
tulságos táplálkozás idézi elő. Én nem veszem a lelkemre, hogy ezek
a szegény emberek is az én szomoru sorsomra jussanak; azért mától
fogva sokkal kevesebb hust kell kapniok. Remélem, nem kell többet
beszélnem; a nyelvem olyan nehezen forog, hogy ennyit is alig
birtam kinyögni!…

II.

Nem telt bele hosszu idő s az ifju Ramiro palotája felépült.

Számtalan millióba került, de messziről csodájára jártak. Kivülről ugy
festett, mintha nem klubépület, hanem királyi várpalota volna; belül
pedig – nem számitva egy csekélységet, amelyről később lesz szó –
mindent meg lehetett találni benne, amit a kényelemre vágyás
valaha kieszelt.
A „Buenos-Ayres“ épitészeti szakértője megirta, hogy a világ még
sohase látott ilyen nagyszerü alkotást. Amit az ókor, középkor és
ujkor épitészete fenségeset alkotott, az mind eltörpül ahoz a
csodához képest, amelyet a legujabb kor az ifju Ramirónak
köszönhet.
Ha nem is ilyen határozott szavakkal, de mindenki csak
magasztalni tudta a milliomosok uj klubhelyiségét. Hiába
keresgéltek, nem leltek benne semmi hibát, se kivül, se belül. Az
idegennek legelőször ezt a palotát mutatták meg s az ifju Ramirót
ugy emlegették, mint Argentina legnagyobb emberét, akinek
valamennyi épitészeti stilus minden szépségét sikerült egyesitenie
egyetlenegy remek alkotásban.
 Hanem az ifju Ramiro nem tudott örülni ennek a páratlan
dicsőségnek. Az ifju Ramirónak nem tetszett az, hogy a milliomosok
és a milliomos-növendékek sehogy se tudnak odaszokni az uj
klubhelyiséghez. Amilyen sürün keresték fel, hogy ujra meg ujra
megbámulják, olyan rövid ideig időztek ott. Sokan közülök beléptek
más klubokkba is s odaszoktak az ujabb tanyához; mások lelkesen
magasztalva az ifju Ramiro gyönyörü palotáját, visszaszoktak az
otthonüléshez.
Voltak, akik gyanitották, hogy mi teszi olyan borongóvá az ifju
Ramiro arcát. De nem volt, aki elő mert volna állani ezzel a
sejtelmével. Senki se akarta magára vállalni, hogy ő legyen az első,
aki kiköt a hatalmas „Buenos-Ayres“-szel.
Végre egy kis fiu, akit az apja elvitt, hogy a többi bucsujáró
között ő is megszemlélhesse Argentina csodáját, kipattantotta a
dolgot. A kis fiu sirva fecsegte ki az utcán, hogy a mesésen szép
épületből egy szükséges mellékhelyiség hiányzik.
Hát igen, ezt az egyet csakugyan kifelejtette az ifju Ramiro a
máskülönben oly csodás alkotásból. És annak idején senki se merte
figyelmeztetni rá, hogy erről megfeledkezett. A „Buenos-Ayres“ fiát!
Attól lehetett tartani, hogy a kis fiu leleplezése nyomán Argentina
közvéleménye ugy fog itélni, hogy akármilyen monumentális alkotás
is a milliomosok klubja, ez mégis hiba volt… De ott volt a „Buenos-
Ayres“!
Ez a hatalmas ujság az ifju Ramiro védelmében mindjárt másnap
olyan ujságháborut inditott meg, amelynek a kis fiut végre is szét
kellett morzsolnia.
Első cikkében bebizonyitotta, hogy a kérdéses mellékhelyiség
merőben felesleges valami és eféle óhajtás csakis egy kis fiunak az
elméjében foganhat meg, tekintve, hogy az ilyen kis fiunak még
nincsen esze.
 Másnap a pszichológia nézőpontjából fejtette ki, hogy az
emberek nem azért járnak a klubba, amiért a kis fiu gondolja.
Harmadszorra az esztétikát hajtotta a kis fiuhoz, az esztétikát,
mely a monumentális alkotásoknál nem ismer hasonló kivánságot.
A negyedik alkalommal megvilágitotta, hogy a látszólagos
megfeledkezés voltaképpen nagystilü ujitás, amelyet az
emelkedettebb szellem, a haladottabb kor, a fejlődés törvénye
követelt meg.
Aztán hetekig bizonyitgatta, tanuvallomásokkal, hogy a kis fiut
felbérelték mellőzött műépitők.
Végül leleplezéseket közölt a kis fiu családjáról. Kideritette, hogy
a kis fiu összes felmenői büntetett előéletüek és epileptikusok voltak.
Minden nap közölt ezer sort az ügyről és csirájában taposta el a
másik véleményt.

III.

Hanem akkor történt valami, ami egy kissé megingathatta

Argentina közvéleményét.
Elérkezett az a nap, amikor a klubnak meg kellett tartania az évi
közgyülését. Lakomáikat és vidám összejöveteleiket a milliomosok
már jó ideje másutt rendezték; nem mintha tüntetni akartak volna a
hatalmas ujság ellen… ó nem!… hanem azon a cimen, hogy holmi
apró mulatságokkal kár volna profanizálni a monumentális épületet.
De a közgyülést már még se lehetett másutt megtartani, mert sokan
azt kérdezhették volna, hogy: mire jó hát ez a monumentális épület,
ha még csak a közgyülést sem lehet megtartani benne?!…
A milliomosok tehát összegyülekeztek – a milliomosok is, de még
nagyobb számban a milliomos-növendékek – és amint javában
helyeselték az igazgatóság előterjesztését, a monumentális épület
egyszerre csak összeomlott, mint egy kártyavár s maga alá temetett
vagy huszonöt milliomost és kétszerannyi jeles férfit, akiket a
milliótól csak ez a váratlan szerencsétlenség üthetett el.
Az ifju Ramiro ugyanis, aki annak idején többet foglalkozott a
szép lányokkal, mint a tanulmányaival, a korszakalkotó épitkezés
alkalmával nemcsak a kis fiu kivánalmairól talált megfelejtkezni,
hanem egy elemi szabályról is… és ki merte volna erre
figyelmeztetni?! A „Buenos-Ayres“ fiát!
(Ime, a festőművészet nagy felsőbbsége az épitészettel szemben!
A legrosszabbul festett kép se üthet agyon senkit.)
A „Buenos-Ayres“ másnap számitva rá, hogy a menybeli hatalmak
sokat elbirnak, türelmesek és nem fognak rácáfolni, átháritotta a
felelősséget a gondviselésre, s aztán ékes szavakkal siratta el a
szerencsétlenség áldozatait. De meghatottságában se szalasztotta el
a kedvező alkalmat, hogy még egyszer rápirithasson a már letiport
kis fiura. Nem vonja ki magát – irta – az általános gyászból, de
jóleső elégtételt talál benne, hogy ez a szomoru esemény milyen
fényesen igazolja a „Buenos-Ayres-t“ minden olvasója előtt. Végre az
egész világ láthatja, hogy a felbérelt, epileptikus kis fiunak mennyire
nem volt igaza! Hát nem lett volna kár elékteleniteni, ilyen rövid idei
használatért, azt a monumentális épületet, amely igy maga volt a
tökéletesség?!… s amelyre a hálás kortársak ugy fognak emlékezni,
mint egy gyönyörü álomra?!
 OVERWORKING.

Valaki egy hajóstisztet vezetett be a társaságunkba. Alig, hogy

megismerkedtünk vele, már el is felejtettük. Nagyon kevés vizet
zavart az asztalunknál; a bemutatkozás percétől fogva a figyelmes
hallgató szerepére szoritkozott. Nálunk pedig veszedelmes
vitatkozások voltak napirenden s mindig sokan versengtünk a
szavalás jogáért. Aki sohase hangoztatta, hogy most ő tette be a
garast, azt észre se vettük.
A második vagy harmadik este azonban mégis csak meg kellett
látnunk a szótlan tengerészt. Egyikünknek-másikunknak föltünt,
hogy ez a csöndes ember mily szemmelláthatóan jól mulat a mi
lármás társaságunkban. Nem mondhattunk olyan rossz élcet vagy
régi anekdótát, amelyet jóizüen meg ne nevetett volna: akármit
hallott, meglátszott az arcán, hogy neki mindez uj és érdekes.
Később elkisért bennünket mindenüvé. Elvittük bálba, szinházba,
mulatóhelyekre: hát hadd mulassa ki magát! Minden érdekelte és
nyilván gyönyörködtette; néhány rövid szóval, de mindenért
lelkesedett!
– Milyen gyönyörű nők, de milyen gyönyörű nők!… milyen
nagyszerű szindarab!… milyen ügyes, káprázatos látványosság!… –
efféle szavakban tört ki belőle az elragadtatás. Még a kávéházakban
is csupa Eldorádót látott. Alig tudott megválni tőlük: mindig ő ment
utolsónak haza.
Közben megtudtuk, hogy meglehetősen nehéz szolgálata van, s
hogy az élete, amig szolgálatban van, nemcsak nagyon egyhangu,
hanem egy kissé sanyaru is. Ritkán van része ilyen háromhónapos
szabadságban, amely most közénk vezette; s ez a ritka szabadság
bizony már a vége felé jár.
Akkor igazán nem csoda, ha ennyire tudja élvezni a pihenés
örömét és „a főváros minden varázsát“. (Ez a kifejezés tőle való.) De
örült is minden csekély szórakozásnak és minden közönséges
látnivalónak, mint a gyerek. Nem mint a fővárosi gyerek, hanem
mint az olyan gyerek, aki az erdőben vagy a pusztán nőtt
kamaszszá. Ha egyenesen a Tűzföldről jött volna, nem csodálhatta
volna gyermekiesebb gyönyörködéssel ezt a várost, ahol – mint
magasztalással mondta – minden második ház kávéház.
Olyankor, ha éjjel hazafelé menet, kettesben maradt
valamelyikünkkel, nem is titkolta el, mily fájó szivvel hagyja itt ezt az
aranjuezi életet.
– Még csak egy hetem van!… még csak öt napom van!… –
számlálgatta a napokat szomoruan.
És hogy minél alaposabban kiélvezze a még rá várakozó – oly
rövid! – gyönyörüséget: nagyokat nézett és nagyokat hallgatott,
közben pedig nagyokat huzott mindenféle szeszből, akármi került az
asztalra. Ugy ivott, ahogy csak tengerész tud inni.
Vagy három nappal azelőtt, hogy lejárt a szabadsága és
visszautazott az állomására, az ujságok rémes hajószerencsétlenség
hirét hozták, s a mi vacsorázóasztalunknál is egész este csak erről a
katasztrófáról volt szó.
Természetesen nem hallgattuk el műkedvelő megjegyzéseinket és
nem győztünk eléggé álmélkodni azon, hogy noha alig van nap,
amely valami új, hasznos találmányt ne hozna és noha az ember
egyre jobban urává válik az elemeknek: a hajószerencsétlenségek
száma nem kevesbedik és az emberi elme még most se tudott
kieszelni semmit, aminek a segitségével, ha a szerencsétlenséget
soha se is lehet kizárni, legalább annyira lehetne csökkenteni a
veszedelmet, hogy az efféle borzalmas katasztrófa a nagyon ritka, a
kivételes esetek közé tartozzék… Még vadabbakat is mondtunk.
 Eszünkbe se jutott, hogy megkérdezzük a köztünk ülő egyetlen
szakértő véleményét, annyira megszoktuk a szótlanságát.
S a mi hajósunk nem jelentkezett magától. Végighallgatta
odavetéseinket, mintha egyetértene velünk, vagy mintha éppen ez a
tárgy érdekelné a legkevésbbé, megvárta, mig a vita leviharzik,
aztán eljött velünk nem tudom melyik mulatóhelyre, s egész este
hallgatott és ivott.
Csak reggel felé, amikor a kávéházban mindössze hárman-
négyen maradtunk, kivánkozott ki belőle, a mit a nagy társaságban
elhallgatott, nyilván azért, mert félt mindentől, ami a szónokláshoz
hasonlitott.
Fölhasználta az első alkalmat, amikor a beszélgetés lankadni
kezdett és ezzel a kijelentéssel lepett meg bennünket:
– Az este, amikor a katasztrófáról volt szó, nem akartam
vitatkozni, mert attól tartottam, hogy talán untatnám a társaságot;
de szeretnék erről valamit mondani, ha ugyan érdekli az urakat.
Ez volt az első eset, hogy nem kellett kérdezgetnünk és magától
hozakodott elő valamivel. Azért csak érdeklődést láthatott az
arcunkon, sőt talán kiváncsiságot. Figyelmünk beszédessé tette.
– Én azt hiszem, – folytatta, – hogy a hajószerencsétlenségek
száma mindaddig nem fog csökkenni, ameddig nem lesz kisebb az
emberek kapzsisága. Mert, meg vagyok győződve, minden esetben
ki lehet mutatni, hogy a katasztrófának az alap-oka valami esztelen,
könnyelmü vagy lelketlen takarékosság volt.
Sietett megmagyarázni, miért gondolja ezt.
– Azok a társaságok, amelyek a tengeren a személy- és az
áruforgalmat igazgatják, mindenütt rettenetesen kihasználják az
emberi munkaerőt. Kockázatos takarékosságból, a veszedelemmel
nem törődő gazdálkodással kizsákmányolnak bennünket; visszaélnek
azzal, hogy embert mindenre, minden föltétel mellett kapni. A hajón
mindig csak annyi a munkaerő, amennyi éppen okvetlenül
szükséges. Elég egy-két embernek a betegsége és – ami ebből
szükségképen következik – a többinek a nagy fáradtsága, egyiknek-
másiknak a kimerültsége – és már beáll a veszedelem. Csak egy kis
vihar, meg egy kis – minduntalan kinálkozó – véletlen kell, hogy a
katasztrófa megtörténjék. Éreztek-e valaha igen nagy kimerültséget?
Ha igen, úgy tudják, hogy van egy állapot, amikor az ember jár-kel s
olyannak látszik, mint aki ébren van, de valójában nincs magánál; az
esze nincs helyén és se a megfigyelése, se az ereje nem több, mint
amennyi egy alvajáróé. Gépiesen elvégzi a megszokott dolgát, de
nem tudja, hogy mit csinál. Tessék ebben az állapotban egy hajót
vezetni, kivált viharban! És a kimerültségnek van még egy ennél is
sulyosabb állapota: az az állapot, amikor az ember a pihenésnek, az
alvásnak olyan gyötrő szükségét érzi, hogy nem törődik többé
semmivel a világon, hogy összeomlik egész erkölcsi ereje és az
elalvás gyönyörüségéért kész odaadni az életét, nemcsak a tulajdon
életét, hanem a mások életét is, mindent. Ezt az állapotot már
kevesen ismerik; még elképzelni is csak az tudja, aki már próbálta.
Én ismerem ezt az állapotot. Pedig, amint láthatják, hatalmas
testalkotásu, ép, erős, egészséges ember vagyok, aki kibir egyet-
mást. Rossz embernek sem tartom magamat. És mégis… Egyszer,
egy ilyen állapotban, előre láttam a veszedelmet, éreztem, szinte
tudtam, hogy a pokolba viszem a hajót és olyan végtelen, olyan
halálos fáradtságot, olyan kimondhatatlan, szörnyü fásultságot
éreztem, ugy szomjuhoztam a pihenést, legyen ez bár a nirvána,
hogy nem tudtam többé törődni semmivel, nem bántam a halált,
nem sajnáltam senkit és semmit, és abban a bizonyosságban, hogy
egypár perc mulva el fogok pusztulni és velem együtt el fognak
pusztulni a többiek is, átadtam magamat és az egész hajót a
sorsnak, akárminek, ami jöhet, aminek jönnie kell, csakhogy a
félálomból belemerülhessek a mély álom, a teljes öntudatlanság
édes gyönyörüségébe, amelyet ebben a pillanatban a
menyországnak éreztem. Egy hajszálon függött mindnyájunk élete; a
vakszerencse tette, hogy megmenekültünk; előre láttam a hajónk
pusztulását, ugy, mint valami elkerülhetetlen bizonyosságot és
mégse volt erőm csak egy mozdulatot is tenni a veszedelemből való
kiszabadulásra, képtelen voltam ellentállni az álom vágyának. Igaz,
hogy félig már ekkor is aludtam, sőt talán nemcsak félig.
Elbeszélte az esetet.
Igaz, lehetett már akkor másfél vagy talán két napja is, hogy
egyáltalán nem aludtam. A rend az, hogy négy óráig teljesitünk
szolgálatot s aztán fölváltanak. Először könnyelmüségből
mulasztottam el azt az időt, amelyet az alvásnak kellett volna
szánnom, korhelykedtünk. Másodszor már idegességből nem tudtam
aludni. Harmadszor azért loptam meg magamtól az álmot, hogy
szivességet tegyek egyik társamnak, aki rosszul érezte magát, s aki
helyett valakinek szolgálatot kellett tennie. Azután megint rám került
a sor. Végül amaz nagyon beteg lett, a másik társamnak pedig – egy
másik betegség következtében – egyéb munkát kellett végeznie, s
mert rendes körülmények között is mindnyájunkra szükség volt,
annyira, hogy egyszerre csak egyikünk lehetett szabad: nem volt, aki
fölváltson. Szóval, már alig álltam a lábamon s rettenetes
álmosságot éreztem. De hát nagyon kevesen voltunk!…
Január vége felé jártunk. Szörnyü hideg volt s egyszerre vihart
kaptunk. Órákig szakadt a jeges eső s paskolt a lenge eresz alatt.
Csuromviz voltam; a jéghideg nedvesség átjárta a köpönyegemet, a
ruhámat, a bőrömet, a csontomat. Koromsötét éjszaka borult ránk; s
a süvöltöző szél folyton verdeste rajtam az ázott ruhát. Annyira
fáztam, hogy vacogott a fogam; az álmosságom kezdett
leküzdhetetlenné válni. És nekem ott kellett maradnom a poszton;
vezetnem kellett a hajót.
Eleinte csak azt vettem észre, hogy nem gondolkozom. Aztán,
hogy el-elbóbiskolok. Összeszedtem minden lelkierőmet és egyre
figyelmeztettem magamat: „Oda kell vigyáznod! Oda kell vigyáznod!“
Majd rájöttem, hogy gépiesen ismételgetem magamban ezeket a
szavakat, folyton ismételgetem, de nem tudom, hogy ezek a szavak
mit akarnak jelenteni és hogy mire kell vigyáznom. A szemem majd
leragadt az álmosságtól. Rajtakaptam magamat, hogy nem tudok
figyelni sehová, hogy öntudatlanul teszem, amit teszek, a megszokás
valami ösztönével, mint az állat és hogy már csak hébe-hóba
eszmélek.
Azután a lelkierő valami utolsó maradványával meg-
megsarkantyuztam roskadozó eszméletemet. Mozogni igyekeztem,
egy helyben állva is lépéseket tettem, hogy ébren maradjak. De föl-
fölriadva észrevettem, hogy már félig alszom; hogy állva is el-
elalszom… Még ki-kizökkentem a szendergésből, de éreztem, hogy
már nem vagyok magamnál. Mind tartósabban ejtett hatalmába a
zsibbadtság. Olykor még ostorozni akartam magamat: „Oda kell
vigyáznod!“ De már nem tudtam, mit akarok és éreztem, hogy nem
tudom, mit csinálok. Éreztem, hogy a szunnyadásom mind tovább és
tovább tart és már-már kihat az egész testemre.
Végre megtörtem és átláttam, hogy már nem birok magammal.
Hogy már nem akarok küzdeni, hogy már nem bánok semmit, csak
egy leküzdhetetlen vágyat érzek: ledőlni és aludni! És talán már
aludtam is. Még meg-megmozdultam, de már aludtam. Valami isteni
kéjérzet melegitette át a testemet, éreztem, hogy belesüppedek a
teljes öntudatlanságba… és ugylátszik, hallucinálni kezdtem.
Mert egyszerre két nagy zöld szemet pillantottam meg, két,
merőn rámszegzett, nagy zöld szemet. Lehet, hogy ez a két nagy
zöld szem nem volt álom; lehet, hogy a hajó egyik macskája
bámészkodott rám… mert a hajón, hogy a patkányokat
pusztitgathassuk, sok macskát tartottunk. Lehet, hogy valamelyik
macskának az a szeszélye támadt, hogy egyszer megszemlél egy
igazi vihart, és éjszakai kóválygásában megállapodott előttem,
elbámulva azon, hogy: hát ez a fekete alak mit keres itt, ebben a
cudar időben?!…
De én ezt a macskát a Részvénytársaságnak néztem és a
csodálatos zöld fényre meredve, igy orditoztam… vagy csak
álmodtam, hogy orditozok:
– Te, Részvénytársaság, te cudar Részvénytársaság, te
gyalázatos Részvénytársaság, kiszipolyozod a csontjaimból a velőt és
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and

personal growth!

ebooknice.com