論文の概要: AI on the Bog: Monitoring and Evaluating Cranberry Crop Risk
- arxiv url: http://arxiv.org/abs/2011.04064v1
- Date: Sun, 8 Nov 2020 20:03:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 08:11:58.426168
- Title: AI on the Bog: Monitoring and Evaluating Cranberry Crop Risk
- Title（参考訳）: AI on the Bog: クランベリー作物のリスクの監視と評価
- Authors: Peri Akiva and Benjamin Planche and Aditi Roy and Kristin Dana and
Peter Oudemans and Michael Mars
- Abstract要約: 本稿では,クランベリーオーバーヒートアセスメントをリアルタイムに実現し,支援するエンド・ツー・エンドのクランベリー健康モニタリングシステムを開発した。
ドローンによるフィールドデータと地上のスカイデータ収集システムを用いて、作物の健康分析に使用される複数の時点の映像を収集する。
太陽放射予測誤差は5～20分間の地平線で8.41-20.36%のMAPEであることが判明した。
- 参考スコア（独自算出の注目度）: 3.8902094267855163
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine vision for precision agriculture has attracted considerable research
interest in recent years. The goal of this paper is to develop an end-to-end
cranberry health monitoring system to enable and support real time cranberry
over-heating assessment to facilitate informed decisions that may sustain the
economic viability of the farm. Toward this goal, we propose two main deep
learning-based modules for: 1) cranberry fruit segmentation to delineate the
exact fruit regions in the cranberry field image that are exposed to sun, 2)
prediction of cloud coverage conditions and sun irradiance to estimate the
inner temperature of exposed cranberries. We develop drone-based field data and
ground-based sky data collection systems to collect video imagery at multiple
time points for use in crop health analysis. Extensive evaluation on the data
set shows that it is possible to predict exposed fruit's inner temperature with
high accuracy (0.02% MAPE). The sun irradiance prediction error was found to be
8.41-20.36% MAPE in the 5-20 minutes time horizon. With 62.54% mIoU for
segmentation and 13.46 MAE for counting accuracies in exposed fruit
identification, this system is capable of giving informed feedback to growers
to take precautionary action (e.g. irrigation) in identified crop field regions
with higher risk of sunburn in the near future. Though this novel system is
applied for cranberry health monitoring, it represents a pioneering step
forward for efficient farming and is useful in precision agriculture beyond the
problem of cranberry overheating.
- Abstract（参考訳）: 近年,精密農業のための機械ビジョンが研究の関心を集めている。
本研究の目的は、リアルタイムのクランベリー過熱評価を実現し、支援し、農業の経済性を維持するための情報的意思決定を促進するために、エンド・ツー・エンドのクランベリー健康モニタリングシステムを開発することである。
この目標に向けて,深層学習に基づくモジュールを2つ提案する。
1) 太陽に曝露したクランベリー畑画像において, 正確な果実領域を規定するクランベリー果実の分画
2)露光したクランベリーの内部温度を推定するための雲被覆条件と日射量の推定
ドローンによるフィールドデータと地上のスカイデータ収集システムを開発し,複数の地点で映像を収集し,作物の健康分析を行う。
データセットの広範な評価は、露光した果実の内温を高精度に予測できることを示している(0.02% mape)。
太陽照度予測誤差は5～20分で8.41-20.36%であった。
62.54% mIoU と 13.46 MAE が露呈した果実識別の精度を計上すると共に、近日中に日焼けのリスクが高い特定作物畑において、農夫に予防措置(灌水など)を取るための情報フィードバックを与えることができる。
この新システムはクランベリーの健康モニタリングに応用されるが、効率的な農業の先駆的な一歩であり、クランベリー過熱問題を超えた精密農業に有用である。
関連論文リスト
- Agtech Framework for Cranberry-Ripening Analysis Using Vision Foundation Models [1.5728609542259502]
航空画像と地上画像を用いたクランベリー作物の熟成過程を特徴付ける枠組みを開発した。
この作品はこの種の最初のものであり、クランベリーやワインブドウ、オリーブ、ブルーベリー、トウモロコシなど他の作物に将来的な影響を及ぼす。
論文 参考訳（メタデータ） (2024-12-12T22:03:33Z) - 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) - A Novel Fusion of Optical and Radar Satellite Data for Crop Phenology Estimation using Machine Learning and Cloud Computing [0.0]
大地観測データユビキティの時代には、リモートセンシングデータに基づいて作物の表現学を正確に予測する試みが試みられている。
そこで我々は,新しい枠組みを用いて,ドイツ全土の8大作物と13の表現学的発達を30mスケールで推定した。
論文 参考訳（メタデータ） (2024-08-16T13:44:35Z) - A Machine Learning Approach for Crop Yield and Disease Prediction Integrating Soil Nutrition and Weather Factors [0.0]
バングラデシュにおける作物選択・病気予測のための知的農業意思決定支援システムの開発が主な目的である。
推奨されるアプローチは、作物の生産、土壌条件、農業・気象地域、作物病、気象要因に関する様々なデータセットを使用する。
論文 参考訳（メタデータ） (2024-03-28T09:57:50Z) - Vision-Based Cranberry Crop Ripening Assessment [1.8434042562191815]
この研究は、コンピュータビジョンを用いた熟成の定量的評価において、最初のものである。
ワインのブドウ、オリーブ、ブルーベリー、トウモロコシなどクランベリー以外の作物にも影響がある。
論文 参考訳（メタデータ） (2023-08-31T14:58:11Z) - 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) - 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) - 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) - 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) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳（メタデータ） (2020-12-07T16:23:13Z) - Finding Berries: Segmentation and Counting of Cranberries using Point
Supervision and Shape Priors [3.6704226968275258]
本研究では,収量推定と日射予測を支援するために,クランベリーの同時分別と計数を行う深層学習手法を提案する。
このアプローチはTriple-S Networkと呼ばれ、農業シーンに典型的な既知の形状の物体に適合するように、形状が先行する3つの部分の損失を伴っている。
その結果, セグメント化性能は6.74%以上向上し, 最先端技術と比較して22.91%向上した。
論文 参考訳（メタデータ） (2020-04-18T01:08:57Z)
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。