Fugu-MT 論文翻訳(概要): Abiotic Stress Prediction from RGB-T Images of Banana Plantlets

論文の概要: Abiotic Stress Prediction from RGB-T Images of Banana Plantlets

arxiv url: http://arxiv.org/abs/2011.11597v1
Date: Mon, 23 Nov 2020 18:15:33 GMT
ステータス: 処理完了
システム内更新日: 2022-09-22 02:27:45.551153
Title: Abiotic Stress Prediction from RGB-T Images of Banana Plantlets
Title（参考訳）: バナナのRGB-T画像からの無生物ストレス予測
Authors: Sagi Levanon, Oshry Markovich, Itamar Gozlan, Ortal Bakhshian, Alon Zvirin, Yaron Honen, and Ron Kimmel
Abstract要約: バナナ植物における無生物ストレス予測の方法と戦略について述べる。データセットは、各植物の1日に1回撮影されるRGBと熱画像で構成されている。
参考スコア（独自算出の注目度）: 15.073709640728241
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Prediction of stress conditions is important for monitoring plant growth stages, disease detection, and assessment of crop yields. Multi-modal data, acquired from a variety of sensors, offers diverse perspectives and is expected to benefit the prediction process. We present several methods and strategies for abiotic stress prediction in banana plantlets, on a dataset acquired during a two and a half weeks period, of plantlets subject to four separate water and fertilizer treatments. The dataset consists of RGB and thermal images, taken once daily of each plant. Results are encouraging, in the sense that neural networks exhibit high prediction rates (over $90\%$ amongst four classes), in cases where there are hardly any noticeable features distinguishing the treatments, much higher than field experts can supply.
Abstract（参考訳）: ストレス条件の予測は、植物の成長段階のモニタリング、病気の検出、収穫量の評価に重要である。さまざまなセンサから取得したマルチモーダルデータは、さまざまな視点を提供し、予測プロセスにメリットが期待できる。本研究では,4つの異なる水処理および肥料処理を施した植物株の2週間半の間に得られたデータセットを用いて,バナナ植物株の無菌性ストレス予測手法と戦略について述べる。データセットはrgbとサーマルイメージで構成され、各プラントで1日1回撮影される。その結果は、ニューラルネットワークが高い予測率(4つのクラスの中で90セント以上)を示すという意味で、治療を区別する特徴がほとんどない場合には、現場の専門家が提供できるよりもはるかに高い。

関連論文リスト

LSTM networks provide efficient cyanobacterial blooms forecasting even with incomplete spatio-temporal data [2.5537500385691594]
シアノバクテリアの早期警報システム(EWS)は、タイムリーな管理対策の実装を可能にする。本稿では,6年間の非完全高周波時間データを用いたシアノバクテリアの開花予測に有効なEWSを提案する。その結果,ハイブリッドシステムで評価した4日から28日間の7つの予測時間地平線について分析した。
論文参考訳（メタデータ） (2024-10-09T15:13:24Z)
Multi-Sensor and Multi-temporal High-Throughput Phenotyping for Monitoring and Early Detection of Water-Limiting Stress in Soybean [5.373434048230662]
水制限ストレス(すなわち干ばつ)はダイズ生産の重大なリスクとして現れる。このプロジェクトはマルチモーダル情報を組み合わせて、干ばつ応答を調査するための最も効率的かつ効率的な自動化方法を特定する。
論文参考訳（メタデータ） (2024-02-28T23:18:15Z)
PlantPlotGAN: A Physics-Informed Generative Adversarial Network for Plant Disease Prediction [2.7409168462107347]
リアルな植生指標を持つ合成多スペクトルプロット画像を作成することができる物理インフォームド・ジェネレーティブ・モデルであるPlanetPlotGANを提案する。その結果, PlantPlotGANから生成された合成画像はFr'echet開始距離に関して最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2023-10-27T16:56:28Z)
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)
Plant species richness prediction from DESIS hyperspectral data: A comparison study on feature extraction procedures and regression models [1.8757823231879849]
本研究は,オーストラリア南東部の2種類の異なる生息地における植物種の豊かさを予測するためのDSISハイパースペクトルデータの有用性を定量的に評価した。 DESISスペクトル帯の相対的重要性分析により,赤縁,赤,青のスペクトル領域は,緑帯や近赤外帯よりも植物種の豊かさを予測する上で重要であることが示された。
論文参考訳（メタデータ） (2023-01-05T05:33:56Z)
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)
Pseudo-domains in imaging data improve prediction of future disease status in multi-center studies [57.712855968194305]
本研究では,多数の異なるスキャンサイトと,各サイト毎のサンプル数に対処可能な予測手法を提案する。以上の結果より,初診後48週,12週間の肝疾患経過観察の結果から,聴力低下の予測精度が向上した。
論文参考訳（メタデータ） (2021-11-15T09:40:54Z)
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)
Temporal Prediction and Evaluation of Brassica Growth in the Field using Conditional Generative Adversarial Networks [1.2926587870771542]
植物の成長予測は、多種多様な環境要因によって影響を受けるため、大きな課題である。本稿では,高スループット撮像センサ測定とその自動解析を含む新しいモニタリング手法を提案する。提案手法のコアは条件付き生成型adversarial networkに基づく新しい機械学習ベースの成長モデルである。
論文参考訳（メタデータ） (2021-05-17T13:00:01Z)
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)
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)

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。