Fugu-MT 論文翻訳(概要): Computer Vision with Deep Learning for Plant Phenotyping in Agriculture: A Survey

論文の概要: Computer Vision with Deep Learning for Plant Phenotyping in Agriculture: A Survey

arxiv url: http://arxiv.org/abs/2006.11391v1
Date: Thu, 18 Jun 2020 14:21:19 GMT
ステータス: 処理完了
システム内更新日: 2022-11-19 14:09:36.058235
Title: Computer Vision with Deep Learning for Plant Phenotyping in Agriculture: A Survey
Title（参考訳）: 植物育種のための深層学習によるコンピュータビジョン:調査
Authors: Akshay L Chandra, Sai Vikas Desai, Wei Guo, Vineeth N Balasubramanian
Abstract要約: 精密農業技術により、ステークホルダーは効果的でカスタマイズされた作物管理の決定を行うことができる。植物の表現型付け技術は、正確な作物モニタリングにおいて重要な役割を担っている。本調査は,植物表現学における技術研究の現状を読者に紹介することを目的としている。
参考スコア（独自算出の注目度）: 25.365163119362045
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In light of growing challenges in agriculture with ever growing food demand across the world, efficient crop management techniques are necessary to increase crop yield. Precision agriculture techniques allow the stakeholders to make effective and customized crop management decisions based on data gathered from monitoring crop environments. Plant phenotyping techniques play a major role in accurate crop monitoring. Advancements in deep learning have made previously difficult phenotyping tasks possible. This survey aims to introduce the reader to the state of the art research in deep plant phenotyping.
Abstract（参考訳）: 世界の食料需要の増大に伴う農業の課題の増加に鑑み、効率的な作物管理技術が作物収量を増加させるために必要である。精密農業技術により、ステークホルダーは、作物環境のモニタリングから収集したデータに基づいて、効果的かつカスタマイズされた作物管理決定を行うことができる。植物表現型技術は、作物の正確なモニタリングにおいて重要な役割を担っている。ディープラーニングの進歩は、以前は困難だった表現型タスクを可能にした。本調査は,深層植物表現型研究の現状を読者に紹介することを目的としている。

関連論文リスト

Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
論文参考訳（メタデータ） (2024-11-07T22:29:05Z)
Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
論文参考訳（メタデータ） (2024-03-27T08:42:47Z)
Leaf-Based Plant Disease Detection and Explainable AI [16.128084819516715]
農業部門は国の経済成長に不可欠な役割を担っている。植物病は農業に影響を及ぼす重要な要因の1つである。研究者は、植物病を検出するAIと機械学習技術に基づく多くのアプリケーションを調査してきた。
論文参考訳（メタデータ） (2023-12-17T03:40:12Z)
Recent applications of machine learning, remote sensing, and iot approaches in yield prediction: a critical review [0.0]
農業におけるリモートセンシングと機械学習の統合は、業界を変えつつある。本稿では、作物収量予測にRS、ML、クラウドコンピューティング、IoTを使用した関連記事についてレビューする。
論文参考訳（メタデータ） (2023-06-07T16:13:16Z)
Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities [86.89427012495457]
我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
論文参考訳（メタデータ） (2023-05-03T05:16:54Z)
Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文参考訳（メタデータ） (2022-10-24T14:37:09Z)
Towards practical object detection for weed spraying in precision agriculture [2.6793098711987056]
本稿では,実環境における精密雑草の展開に関連する諸側面を明らかにする3つの指標を紹介する。この機能のキーとなるのは、高速で堅牢なマシンビジョンです。重要な課題の1つは、MLベースの視覚研究の大部分が、オブジェクト検出の精度を評価する指標のみを考慮することである。
論文参考訳（メタデータ） (2021-09-22T21:32:39Z)
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)
In-field high throughput grapevine phenotyping with a consumer-grade depth camera [1.5541946106879052]
植物表現型は、成長、形態学、生理学、収量などの植物形質の定量的評価である。本研究では,カノピー容積推定と束検出とカウントを目的とした,ブドウの自動表現法を開発した。農業用車両に搭載されたコンシューマグレードの深度カメラを用いて,両測定を現場で効果的に実施できることが実証された。
論文参考訳（メタデータ） (2021-04-14T16:16:27Z)
Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [110.30849704592592]
本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
論文参考訳（メタデータ） (2020-01-05T20:19:33Z)

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。