論文の概要: Quantification of groundnut leaf defects using image processing algorithms

• arxiv url: http://arxiv.org/abs/2006.09887v1
• Date: Thu, 11 Jun 2020 15:07:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 14:24:36.368916
• Title: Quantification of groundnut leaf defects using image processing algorithms
• Title（参考訳）: 画像処理アルゴリズムによるナッツ葉欠陥の定量化
• Authors: Asharf, Balasubramanian E, Sankarasrinivasan S
• Abstract要約: 本研究は, アンダラプラデシュの4地域を対象に, イメージ・プロセッシング技術を用いて, 被害したオオムギの葉面積を推定する試みである。 これらの4つの領域にわたる画像解析の結果、葉面積の約14～28%がグラウンドナッツ畑で影響を受けることが明らかとなった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identification, classification, and quantification of crop defects are of paramount of interest to the farmers for preventive measures and decrease the yield loss through necessary remedial actions. Due to the vast agricultural field, manual inspection of crops is tedious and time-consuming. UAV based data collection, observation, identification, and quantification of defected leaves area are considered to be an effective solution. The present work attempts to estimate the percentage of affected groundnut leaves area across four regions of Andharapradesh using image processing techniques. The proposed method involves colour space transformation combined with thresholding technique to perform the segmentation. The calibration measures are performed during acquisition with respect to UAV capturing distance, angle and other relevant camera parameters. Finally, our method can estimate the consolidated leaves and defected area. The image analysis results across these four regions reveal that around 14 - 28% of leaves area is affected across the groundnut field and thereby yield will be diminished correspondingly. Hence, it is recommended to spray the pesticides on the affected regions alone across the field to improve the plant growth and thereby yield will be increased.
• Abstract（参考訳）: 作物の欠陥の同定、分類、定量化は、農夫にとって予防措置と、必要な是正措置を通じて収量損失を減らすために最も関心がある。 広大な農地のため、農作物の手動検査は退屈で時間がかかる。 欠陥葉領域のUAVに基づくデータ収集,観測,同定,定量化は有効な解であると考えられる。 本研究は, 画像処理技術を用いて, アンドラプラデシュの4領域にまたがるマグロ葉面積のパーセンテージを推定することを目的としている。 提案手法では,色空間変換としきい値化技術を組み合わせてセグメンテーションを行う。 キャリブレーションは、UAV捕獲距離、角度、その他の関連するカメラパラメータに関して、取得中に行われる。 最後に,本手法では葉の集積と欠陥面積を推定できる。 これらの4地域にわたる画像解析の結果,葉面積の約14～28%がサトウキビ畑に分布し,収量も減少することが明らかとなった。 これにより、被害地域のみに農薬を噴霧して植物の成長を向上し、収量を増加させることが推奨される。

関連論文リスト

• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• Transferring learned patterns from ground-based field imagery to predict UAV-based imagery for crop and weed semantic segmentation in precision crop farming [3.95486899327898]
  雑草の区分けのために,UAVのフィールド画像と空中画像の両方を予測できる深層畳み込みネットワークを開発した。 ネットワーク学習プロセスは、浅い層と深い層のフィーチャーマップによって視覚化される。 この研究は、深層畳み込みニューラルネットワークが、フィールド画像と空中画像の両方から雑草を分類するために使用できることを示した。
  論文  参考訳（メタデータ） (2022-10-20T19:25:06Z)
• Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests [62.997667081978825]
  森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。 監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。 本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:04:12Z)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• Estimaci\'on de \'areas de cultivo mediante Deep Learning y programaci\'on convencional [0.0]
  エクアドルにおけるサトウキビの栽培・収穫において,最も認知度の高い企業の一つとして検討されてきた。 この戦略はGAN(Generative Adversarial Neural Network)と組み合わせて、サトウキビのプロットの航空写真に基づいて訓練し、人口密度や人口密度の低い作物を識別する。 実験では、空中写真の品質が大幅に向上した。
  論文  参考訳（メタデータ） (2022-07-25T16:22:55Z)
• Fractional Vegetation Cover Estimation using Hough Lines and Linear Iterative Clustering [3.1654720243958128]
  本稿では,ある地域に存在する植生被覆量を決定するために,新しい画像処理アルゴリズムを提案する。 提案アルゴリズムは,植生被覆推定のための信頼度の高いダウベンミア法からインスピレーションを得ている。 植物の成長に関する重要な洞察を、一定間隔で取得した画像を繰り返すと、その分析が引き起こされる。
  論文  参考訳（メタデータ） (2022-04-30T23:33:31Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• Using depth information and colour space variations for improving outdoor robustness for instance segmentation of cabbage [62.997667081978825]
  本研究は, 異なる環境条件下での作物のインスタンスセグメンテーションの改善に焦点をあてる。 深度情報と異なる色空間表現の影響を分析した。 その結果,色情報と組み合わせることでセグメンテーション精度が7.1%向上した。
  論文  参考訳（メタデータ） (2021-03-31T09:19:12Z)
• Weed Density and Distribution Estimation for Precision Agriculture using Semi-Supervised Learning [0.0]
  雑草密度と分布のロバストな推定のための深層学習に基づく半教師付き手法を提案する。 本研究では、作物や雑草を含む前景の植生画素を、畳み込みニューラルネットワーク(CNN)に基づく教師なしセグメンテーションを用いて最初に同定する。 雑草感染地域は、細調整されたCNNを用いて識別され、手作りの特徴を設計する必要がなくなる。
  論文  参考訳（メタデータ） (2020-11-04T09:35:53Z)
• Early Disease Diagnosis for Rice Crop [2.4660652494309936]
  早期検出は、損傷そのものの延長を予防または軽減することができる。 本稿では,各画像の病変セグメントごとにアノテーションを付加したデータセットを提案する。 提案手法は,提案したデータセットに対して,全体の87.6%の精度を得た。
  論文  参考訳（メタデータ） (2020-04-09T19:05:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。