論文の概要: Extracting Pasture Phenotype and Biomass Percentages using Weakly Supervised Multi-target Deep Learning on a Small Dataset

• arxiv url: http://arxiv.org/abs/2101.03198v1
• Date: Fri, 8 Jan 2021 19:41:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 07:31:44.206088
• Title: Extracting Pasture Phenotype and Biomass Percentages using Weakly Supervised Multi-target Deep Learning on a Small Dataset
• Title（参考訳）: 微弱教師付き多目的深層学習を用いた小データセットを用いた牧草種とバイオマスの抽出
• Authors: Badri Narayanan, Mohamed Saadeldin, Paul Albert, Kevin McGuinness, and Brian Mac Namee
• Abstract要約: 乳製品産業は牛の飼料としてクローバーと草を使う。 草とクローバーのバイオマス収量の推定は賢い決定を可能にする。 データ拡張と転送学習を適用することは、異なる植物種のマルチターゲットバイオマスパーセンテージの予測に効果的です。
• 参考スコア（独自算出の注目度）: 10.007844164505157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The dairy industry uses clover and grass as fodder for cows. Accurate estimation of grass and clover biomass yield enables smart decisions in optimizing fertilization and seeding density, resulting in increased productivity and positive environmental impact. Grass and clover are usually planted together, since clover is a nitrogen-fixing plant that brings nutrients to the soil. Adjusting the right percentages of clover and grass in a field reduces the need for external fertilization. Existing approaches for estimating the grass-clover composition of a field are expensive and time consuming - random samples of the pasture are clipped and then the components are physically separated to weigh and calculate percentages of dry grass, clover and weeds in each sample. There is growing interest in developing novel deep learning based approaches to non-destructively extract pasture phenotype indicators and biomass yield predictions of different plant species from agricultural imagery collected from the field. Providing these indicators and predictions from images alone remains a significant challenge. Heavy occlusions in the dense mixture of grass, clover and weeds make it difficult to estimate each component accurately. Moreover, although supervised deep learning models perform well with large datasets, it is tedious to acquire large and diverse collections of field images with precise ground truth for different biomass yields. In this paper, we demonstrate that applying data augmentation and transfer learning is effective in predicting multi-target biomass percentages of different plant species, even with a small training dataset. The scheme proposed in this paper used a training set of only 261 images and provided predictions of biomass percentages of grass, clover, white clover, red clover, and weeds with mean absolute error of 6.77%, 6.92%, 6.21%, 6.89%, and 4.80% respectively.
• Abstract（参考訳）: 乳製品産業は牛の飼料としてクローバーと草を使う。 草とクローバーのバイオマス収量の正確な推定は、受精と播種密度の最適化において賢明な決定を可能にし、生産性と環境影響の増大をもたらす。 草とクローバーは通常一緒に植えられるが、クローバーは土壌に栄養素をもたらす窒素固定植物である。 畑でクローバーと草の適切な割合を調整することは、外受精の必要性を減らす。 畑の草塊組成を推定するための既存のアプローチは高価であり、牧草のランダムなサンプルをクリップし、その成分を物理的に分離し、各試料中の乾燥した草、クローバー、雑草の割合を計算する。 畑から収集した農業画像から異なる植物種の牧草表現型指標とバイオマス収量予測を非破壊的に抽出する新しい深層学習手法の開発が注目されている。 画像のみからこれらの指標と予測を提供することは、依然として大きな課題である。 草,クローバー,雑草の密集した混合物における重度の閉塞は,各成分を正確に推定することが困難である。 さらに、教師付きディープラーニングモデルは、大規模なデータセットでよく機能するが、異なるバイオマス収量に対して正確な基底真理を持つ、大規模で多様なフィールド画像のコレクションを取得するのは面倒である。 本稿では,データ拡張と転送学習を適用することで,小規模のトレーニングデータセットでも異なる植物種の多目的バイオマス率を予測することができることを示す。 本研究は,261画像のトレーニングセットを用いて,草,クローバー,ホワイトクローバー,レッドクローバー,雑草のバイオマス率を,それぞれ6.77%,6.92%,6.21%,6.89%,4.80%の絶対誤差で予測した。

関連論文リスト

• From Seedling to Harvest: The GrowingSoy Dataset for Weed Detection in Soy Crops via Instance Segmentation [0.2605569739850177]
  我々は、ニューラルネットワークを訓練し、インスタンスセグメンテーションを通して雑草や大豆を検知する包括的データセットを導入する。 我々のデータセットは、大豆の生育の様々な段階をカバーし、雑草の侵入の影響に関する時系列的な視点を提供する。 また、このデータセットでトレーニングされたアートモデルの6つの状態を提供し、プランテーションプロセスのすべての段階で大豆や雑草を理解し、検出することができます。
  論文  参考訳（メタデータ） (2024-06-01T06:12:48Z)
• Multispectral Fine-Grained Classification of Blackgrass in Wheat and Barley Crops [2.580056799681784]
  ブラックグラス(Blackgrass)は、ヨーロッパ北西部の穀物に特に問題を引き起こす草の雑草である。 マシンビジョンとマルチスペクトルイメージングを用いて,黒草を識別するための最先端手法の有効性について検討した。
  論文  参考訳（メタデータ） (2024-05-03T16:23:41Z)
• 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)
• 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)
• A Deep Neural Network Approach for Crop Selection and Yield Prediction in Bangladesh [0.0]
  本稿では,最小コストと労力で作物の選別と収量予測の最良の方法を示す。 本稿では,農業作物の選択と収量予測にディープニューラルネットワークを用いることを提案する。
  論文  参考訳（メタデータ） (2021-08-06T22:25:46Z)
• Total Nitrogen Estimation in Agricultural Soils via Aerial Multispectral Imaging and LIBS [0.6875312133832077]
  土壌の健康指標(SHIs)を測定する方法の多くは、内部の湿式化学または分光法に基づく方法である。 我々は,土壌の総窒素 (TN) を推定するために,UAV (Universal-time Unmanned Aviation Vehicle) を用いたマルチスペクトルセンシング (UMS) ソリューションを開発した。
  論文  参考訳（メタデータ） (2021-07-06T02:37:30Z)
• 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)
• 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)
• Pollen13K: A Large Scale Microscope Pollen Grain Image Dataset [63.05335933454068]
  この研究は、1万3千以上の天体を含む最初の大規模花粉画像データセットを提示する。 本稿では, エアロバイオロジカルサンプリング, 顕微鏡画像取得, 物体検出, セグメンテーション, ラベル付けなど, 採用データ取得のステップに注目した。
  論文  参考訳（メタデータ） (2020-07-09T10:33:31Z)
• 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。

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。