論文の概要: Weed Density and Distribution Estimation for Precision Agriculture using
Semi-Supervised Learning
- arxiv url: http://arxiv.org/abs/2011.02193v2
- Date: Thu, 18 Feb 2021 14:05:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 23:01:12.567345
- Title: Weed Density and Distribution Estimation for Precision Agriculture using
Semi-Supervised Learning
- Title（参考訳）: 半監督学習による精密農業の雑草密度と分布推定
- Authors: Shantam Shorewala, Armaan Ashfaque, Sidharth R and Ujjwal Verma
- Abstract要約: 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。
- 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: Uncontrolled growth of weeds can severely affect the crop yield and quality.
Unrestricted use of herbicide for weed removal alters biodiversity and cause
environmental pollution. Instead, identifying weed-infested regions can aid
selective chemical treatment of these regions. Advances in analyzing farm
images have resulted in solutions to identify weed plants. However, a majority
of these approaches are based on supervised learning methods which requires
huge amount of manually annotated images. As a result, these supervised
approaches are economically infeasible for the individual farmer because of the
wide variety of plant species being cultivated. In this paper, we propose a
deep learning-based semi-supervised approach for robust estimation of weed
density and distribution across farmlands using only limited color images
acquired from autonomous robots. This weed density and distribution can be
useful in a site-specific weed management system for selective treatment of
infected areas using autonomous robots. In this work, the foreground vegetation
pixels containing crops and weeds are first identified using a Convolutional
Neural Network (CNN) based unsupervised segmentation. Subsequently, the weed
infected regions are identified using a fine-tuned CNN, eliminating the need
for designing hand-crafted features. The approach is validated on two datasets
of different crop/weed species (1) Crop Weed Field Image Dataset (CWFID), which
consists of carrot plant images and the (2) Sugar Beets dataset. The proposed
method is able to localize weed-infested regions a maximum recall of 0.99 and
estimate weed density with a maximum accuracy of 82.13%. Hence, the proposed
approach is shown to generalize to different plant species without the need for
extensive labeled data.
- Abstract（参考訳）: 雑草の無制御成長は作物の収量と品質に重大な影響を及ぼす。
除草剤の非制限使用は生物多様性を変化させ、環境汚染を引き起こす。
その代わり、雑草が寄生する地域を特定することは、これらの地域を選択的に化学処理するのに役立つ。
農地の画像解析の進歩は、雑草植物を識別する解決策を生み出した。
しかし、これらの手法の大部分は、大量の手動注釈画像を必要とする教師付き学習法に基づいている。
その結果、これらの管理的アプローチは、多種多様な植物種が栽培されているため、個々の農家にとって経済的に不可能である。
本稿では,自律型ロボットから取得した限られたカラー画像のみを用いて,農地の雑草密度と分布を頑健に推定する,深層学習に基づく半教師付きアプローチを提案する。
この雑草密度と分布は、自律ロボットを用いて感染地域を選択的に処理するサイト固有の雑草管理システムにおいて有用である。
本研究では,作物と雑草を含む前景植生画素を,コンボリューションニューラルネットワーク(cnn)に基づく非教師なしセグメンテーションを用いて最初に同定する。
その後、雑草感染地域を細調整CNNを用いて同定し、手作りの特徴を設計する必要がない。
このアプローチは、ニンジン植物画像と(2)シュガービートデータセットからなる、異なる作物・雑草種(1)作物雑草畑画像データセット(cwfid)の2つのデータセット上で検証される。
提案手法では,最大リコール率0.99で雑草を局所化し,最大精度82.13%で雑草密度を推定できる。
そこで提案手法は,広範囲なラベル付きデータを必要とすることなく,異なる植物種に一般化することを示した。
関連論文リスト
- Weed Detection using Convolutional Neural Network [0.0]
我々は、農地における雑草検出に畳み込みニューラルネットワーク(CNN)を用いる。
本研究では,2種類のCNN層であるConv2dと拡張Conv2dの作物の雑草検出への応用について検討する。
提案手法は,事前学習したモデルを用いて入力画像から特徴を抽出し,その後雑草検出のために調整する。
論文 参考訳（メタデータ） (2025-02-20T08:37:23Z) - WeedsGalore: A Multispectral and Multitemporal UAV-based Dataset for Crop and Weed Segmentation in Agricultural Maize Fields [0.7421845364041001]
雑草は作物の収穫が減少する主な原因の1つであるが、現在の雑草の慣行は、効率的で標的とした方法で雑草を管理するのに失敗している。
農作物畑における作物と雑草のセマンティックスとインスタンスセグメンテーションのための新しいデータセットを提案する。
論文 参考訳（メタデータ） (2025-02-18T18:13:19Z) - Towards Efficient and Intelligent Laser Weeding: Method and Dataset for Weed Stem Detection [51.65457287518379]
本研究は,レーザー除草における雑草認識の実証的研究としては初めてである。
我々は,雑草の検出と雑草の局在を1つのエンドツーエンドシステムに統合した。
提案システムは,既存の雑草認識システムと比較して,雑草の精度を6.7%向上し,エネルギーコストを32.3%削減する。
論文 参考訳（メタデータ） (2025-02-10T08:42:46Z) - Exploiting Boundary Loss for the Hierarchical Panoptic Segmentation of Plants and Leaves [0.3659498819753633]
本稿では,葉数と雑草の位置を同時に決定する階層的パノプティックセグメンテーション法を提案する。
この結果,標準学習セットでのPQ+81.89を達成できるだけでなく,本手法により葉数精度を向上できることを示す。
論文 参考訳（メタデータ） (2024-12-31T16:23:58Z) - HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using
Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。
本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。
本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文 参考訳（メタデータ） (2023-08-23T11:03:28Z) - 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) - Supervised learning for crop/weed classification based on color and
texture features [0.0]
本研究では,大豆および雑草の識別における色彩と食感の特徴について検討した。
無人航空機(UAV)から得られた大豆のイメージデータセットを用いて実験を行った。
論文 参考訳（メタデータ） (2021-06-19T22:31:54Z) - 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) - A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows
from UAV Imagery [56.10033255997329]
畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。
高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。
提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
論文 参考訳（メタデータ） (2020-12-31T18:51:17Z) - Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。
シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文 参考訳（メタデータ） (2020-05-18T21:57:47Z) - Deep Transfer Learning For Plant Center Localization [19.322420819302263]
本稿では,無人航空機(UAV)を用いたRGB空中画像を用いた畑型作物の立地推定手法について検討する。
深層学習アプローチは、RGB画像で観察された植物を探索するために有望な能力を提供するが、トレーニングには大量のラベル付きデータ(地上真実)を必要とする。
そこで本研究では,限定的な地上真実データを用いて,既存モデルを新たなシナリオに移行することにより,プラント中心の推定手法を提案する。
論文 参考訳（メタデータ） (2020-04-29T06:29:49Z)
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。