Fugu-MT 論文翻訳(概要): High Throughput Soybean Pod-Counting with In-Field Robotic Data Collection and Machine-Vision Based Data Analysis

論文の概要: High Throughput Soybean Pod-Counting with In-Field Robotic Data Collection and Machine-Vision Based Data Analysis

arxiv url: http://arxiv.org/abs/2105.10568v1
Date: Fri, 21 May 2021 20:52:18 GMT
ステータス: 処理完了
システム内更新日: 2021-05-25 15:01:26.402890
Title: High Throughput Soybean Pod-Counting with In-Field Robotic Data Collection and Machine-Vision Based Data Analysis
Title（参考訳）: フィールド内ロボットデータ収集とマシンビジョンに基づくデータ解析を用いた高スループットダイズポッドカウント
Authors: Michael McGuire, Chinmay Soman, Brian Diers, and Girish Chowdhary
Abstract要約: 以上の結果から, 機械ビジョンに基づく大豆ポッド数と大豆収量との相関が強く示唆された。ポッドカウントはダイズ収量と強く相関するが,ポッドカウントは非常に労働集約的であり,自動化が困難である。視覚センサを備えた自律型ロボットは,大豆を成熟時に自律的に収集できることが確認できた。
参考スコア（独自算出の注目度）: 5.30230364606655
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We report promising results for high-throughput on-field soybean pod count with small mobile robots and machine-vision algorithms. Our results show that the machine-vision based soybean pod counts are strongly correlated with soybean yield. While pod counts has a strong correlation with soybean yield, pod counting is extremely labor intensive, and has been difficult to automate. Our results establish that an autonomous robot equipped with vision sensors can autonomously collect soybean data at maturity. Machine-vision algorithms can be used to estimate pod-counts across a large diversity panel planted across experimental units (EUs, or plots) in a high-throughput, automated manner. We report a correlation of 0.67 between our automated pod counts and soybean yield. The data was collected in an experiment consisting of 1463 single-row plots maintained by the University of Illinois soybean breeding program during the 2020 growing season. We also report a correlation of 0.88 between automated pod counts and manual pod counts over a smaller data set of 16 plots.
Abstract（参考訳）: 小型移動ロボットと機械ビジョンアルゴリズムを用いた高スループット大豆ポッド数に対する有望な結果を報告する。以上の結果から,機械ビジョンに基づく大豆ポッド数と大豆収量との相関が強く示唆された。ポッドカウントはダイズ収量と強く相関するが,ポッドカウントは非常に労働集約的であり,自動化が困難である。その結果,視覚センサを搭載した自律ロボットは,成熟時に大豆のデータを自律的に収集できることがわかった。マシンビジョンアルゴリズムは、実験単位(eusまたはプロット)にまたがって配置された大きな多様性パネルのポッド数を、高スループットで自動化された方法で見積もることができる。我々は自動化ポッド数と大豆収量との相関関係を報告した。このデータは、イリノイ大学ダイズ育種プログラムが2020年の生育シーズンに維持した1463の単葉プロットによる実験で収集された。また16プロットの小さなデータセットに対して,自動ポッド数と手動ポッド数との相関を0.88と報告した。

関連論文リスト

Automated Classification of Dry Bean Varieties Using XGBoost and SVM Models [0.0]
本稿では,機械学習モデルを用いた7種類の乾燥豆の自動分類について比較検討する。 XGBoostとSVMのモデルはそれぞれ94.00%と94.39%の正確な分類率を達成した。本研究は, 種子品質制御と収量最適化を効果的に支援できることを実証し, 精密農業への取り組みの活発化に寄与する。
論文参考訳（メタデータ） (2024-08-02T13:05:33Z)
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)
SoybeanNet: Transformer-Based Convolutional Neural Network for Soybean Pod Counting from Unmanned Aerial Vehicle (UAV) Images [18.93798687466877]
大豆は食品、タンパク質、油の重要な原料である。近年の進歩にもかかわらず、ロバストなポッドカウントアルゴリズムの開発は依然として大きな課題である。本稿では無人航空機(UAV)画像を利用した高精度大豆ポッドの先駆的研究について述べる。
論文参考訳（メタデータ） (2023-10-16T22:21:56Z)
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)
Transfer Learning from Synthetic In-vitro Soybean Pods Dataset for In-situ Segmentation of On-branch Soybean Pod [8.1210112132886]
成熟したダイズ植物は複雑な構造で、ポッドは互いに頻繁に触れ合っている。ディープラーニングベースの手法は、正確なトレーニングと強力な一般化能力を達成することができる。人工ダイズポッドからの転写学習を提案する。
論文参考訳（メタデータ） (2022-04-22T19:36:28Z)
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)
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)
YieldNet: A Convolutional Neural Network for Simultaneous Corn and Soybean Yield Prediction Based on Remote Sensing Data [14.312926581466852]
本稿では,複数作物の収量を予測するモデルYieldNetを提案し,同時に複数作物の収量間の相互作用を考察する。その結果,提案手法は収穫前1～4ヶ月の収穫量を正確に予測し,他の最先端手法と競合することを示した。
論文参考訳（メタデータ） (2020-12-05T22:09:07Z)
Deep Multi-view Image Fusion for Soybean Yield Estimation in Breeding Applications Deep Multi-view Image Fusion for Soybean Yield Estimation in Breeding Applications [7.450586438835518]
本研究の目的は,ダイズポッドカウントに適応する機械学習(ML)アプローチを開発することである。ディープラーニングアーキテクチャを用いた多視点画像に基づく収量推定フレームワークを開発した。以上の結果から,MLモデルが時間と労力を大幅に削減して繁殖決定を下すことが示唆された。
論文参考訳（メタデータ） (2020-11-13T20:37:04Z)
Fast, Accurate, and Simple Models for Tabular Data via Augmented Distillation [97.42894942391575]
本研究では、FAST-DADを用いて、任意の複雑なアンサンブル予測を、高木、無作為林、深層ネットワークなどの個々のモデルに抽出する。我々の個々の蒸留モデルは、H2O/AutoSklearnのようなAutoMLツールが生成するアンサンブル予測よりも10倍高速で精度が高い。
論文参考訳（メタデータ） (2020-06-25T09:57:47Z)

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。