論文の概要: A Survey of Deep Learning Techniques for Weed Detection from Images
- arxiv url: http://arxiv.org/abs/2103.01415v1
- Date: Tue, 2 Mar 2021 02:02:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-05 14:37:56.007548
- Title: A Survey of Deep Learning Techniques for Weed Detection from Images
- Title（参考訳）: 画像からの雑草検出のための深層学習手法の検討
- Authors: A S M Mahmudul Hasan, Ferdous Sohel, Dean Diepeveen, Hamid Laga and
Michael G.K. Jones
- Abstract要約: 既存の深層学習に基づく雑草検出・分類手法を検討する。
その結果,ほとんどの研究が教師あり学習手法を適用し,高い分類精度を達成した。
過去の実験は、大量のラベル付きデータが利用できる場合に既に高い精度を達成している。
- 参考スコア（独自算出の注目度）: 4.96981595868944
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid advances in Deep Learning (DL) techniques have enabled rapid
detection, localisation, and recognition of objects from images or videos. DL
techniques are now being used in many applications related to agriculture and
farming. Automatic detection and classification of weeds can play an important
role in weed management and so contribute to higher yields. Weed detection in
crops from imagery is inherently a challenging problem because both weeds and
crops have similar colours ('green-on-green'), and their shapes and texture can
be very similar at the growth phase. Also, a crop in one setting can be
considered a weed in another. In addition to their detection, the recognition
of specific weed species is essential so that targeted controlling mechanisms
(e.g. appropriate herbicides and correct doses) can be applied. In this paper,
we review existing deep learning-based weed detection and classification
techniques. We cover the detailed literature on four main procedures, i.e.,
data acquisition, dataset preparation, DL techniques employed for detection,
location and classification of weeds in crops, and evaluation metrics
approaches. We found that most studies applied supervised learning techniques,
they achieved high classification accuracy by fine-tuning pre-trained models on
any plant dataset, and past experiments have already achieved high accuracy
when a large amount of labelled data is available.
- Abstract（参考訳）: ディープラーニング(DL)技術の急速な進歩により、画像やビデオからのオブジェクトの迅速な検出、ローカライゼーション、認識が可能になった。
DL技術は現在、農業や農業に関する多くの応用で使われている。
雑草の自動検出と分類は雑草管理において重要な役割を果たすため、高収率に寄与する。
画像からの作物の雑草検出は、雑草と作物の両方に類似した色(「緑と緑」)があり、その形状と食感が成長段階で非常に類似しているため、本質的に困難な問題です。
また、ある設定の作物を別の設定の雑草と見なすこともできる。
その検出に加えて、特定の雑草種の認識が不可欠であり、標的となる制御機構(例えば)が重要である。
適切な除草剤と正しい用量)が適用できる。
本稿では,既存の深層学習に基づく雑草検出・分類手法について概説する。
データ取得、データセット作成、作物の雑草の検出、場所と分類に用いられるDL技術、評価指標のアプローチの4つの主要な手順に関する詳細な文献をカバーしています。
その結果,多くの研究が教師あり学習手法を応用し,植物データセット上で事前学習したモデルを微調整することで,高い分類精度を達成していることがわかった。
関連論文リスト
- Semi-Supervised Weed Detection for Rapid Deployment and Enhanced Efficiency [2.8444649426160304]
本稿では,2つの主要成分からなる半教師付き雑草検出手法を提案する。
まず,異なる規模の雑草の特徴を捉えるために,マルチスケールの特徴表現手法を用いる。
第2に、トレーニング中にラベル付き画像の小さなセットを活用する適応的な擬似ラベル割り当て戦略を提案する。
論文 参考訳（メタデータ） (2024-05-12T23:34:06Z) - Fruit Ripeness Classification: a Survey [59.11160990637616]
食品を格付けするための特徴記述子を多用する多くの自動的手法が提案されている。
機械学習とディープラーニング技術がトップパフォーマンスの手法を支配している。
ディープラーニングは生のデータで操作できるため、複雑なエンジニアリング機能を計算する必要がなくなる。
論文 参考訳（メタデータ） (2022-12-29T19:32:20Z) - 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) - Deep Data Augmentation for Weed Recognition Enhancement: A Diffusion
Probabilistic Model and Transfer Learning Based Approach [17.860192771292713]
本稿では,拡散確率モデルを用いて高品質な合成雑草画像を生成する方法を提案する。
開発されたアプローチは、いくつかの最先端のGANモデルより一貫して優れている。
合成雑草画像による拡張データセットは、雑草分類タスクのための4つのディープラーニング(DL)モデルにおけるモデルパフォーマンスを向上させる可能性がある。
論文 参考訳（メタデータ） (2022-10-18T01:00:25Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - Weed Recognition using Deep Learning Techniques on Class-imbalanced
Imagery [4.96981595868944]
我々は,最先端の5つのディープニューラルネットワークを調査し,雑草認識の性能評価を行った。
VGG16は小規模データセットで他より優れ、ResNet-50は大規模データセットで他のディープネットワークよりも優れていた。
論文 参考訳（メタデータ） (2021-12-15T01:00:05Z) - 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) - Deep Semi-supervised Metric Learning with Dual Alignment for Cervical
Cancer Cell Detection [49.78612417406883]
子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。
私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。
本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
論文 参考訳（メタデータ） (2021-04-07T17:11:27Z) - Crop and weed classification based on AutoML [2.1300809288243188]
CNNモデルは、文献に報告されている95%以上の精度で作物と雑草の分類において、すでに重要な役割を担っている。
本稿では,作物と雑草の分類に新たな目的関数を付加した自律型機械学習を適用し,精度の向上と農作物の伐採率の低下を図った。
論文 参考訳（メタデータ） (2020-10-28T02:35:17Z) - 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)
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。