論文の概要: Automated Pest Detection with DNN on the Edge for Precision Agriculture
- arxiv url: http://arxiv.org/abs/2108.00421v1
- Date: Sun, 1 Aug 2021 10:17:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-04 06:06:15.074750
- Title: Automated Pest Detection with DNN on the Edge for Precision Agriculture
- Title(参考訳): 精密農業用エッジ上のDNNによる害虫の自動検出
- Authors: Andrea Albanese, Matteo Nardello, and Davide Brunelli
- Abstract要約: 本稿では,機械学習(ML)機能により強化された組込みシステムについて,果樹園内での害虫感染の連続検出を確実にする。
3つの異なるMLアルゴリズムがトレーニングされ、デプロイされ、プラットフォームの能力を強調している。
その結果,農夫の介入なしに無期限に害虫感染処理を自動化できることが示唆された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Artificial intelligence has smoothly penetrated several economic activities,
especially monitoring and control applications, including the agriculture
sector. However, research efforts toward low-power sensing devices with fully
functional machine learning (ML) on-board are still fragmented and limited in
smart farming. Biotic stress is one of the primary causes of crop yield
reduction. With the development of deep learning in computer vision technology,
autonomous detection of pest infestation through images has become an important
research direction for timely crop disease diagnosis. This paper presents an
embedded system enhanced with ML functionalities, ensuring continuous detection
of pest infestation inside fruit orchards. The embedded solution is based on a
low-power embedded sensing system along with a Neural Accelerator able to
capture and process images inside common pheromone-based traps. Three different
ML algorithms have been trained and deployed, highlighting the capabilities of
the platform. Moreover, the proposed approach guarantees an extended battery
life thanks to the integration of energy harvesting functionalities. Results
show how it is possible to automate the task of pest infestation for unlimited
time without the farmer's intervention.
- Abstract(参考訳): 人工知能は、農業分野を含むいくつかの経済活動、特にアプリケーションの監視と制御をスムーズに推進してきた。
しかし、完全に機能する機械学習(ML)を搭載した低消費電力センシングデバイスの研究は、スマート農業において依然として断片化され、制限されている。
生物ストレスは作物の収量減少の主な原因の1つである。
コンピュータビジョン技術におけるディープラーニングの開発により、画像による害虫感染の自律的検出は、タイムリーな作物病診断の重要な研究方向となっている。
本稿では,果実果樹園内の害虫感染を連続的に検出し,ml機能を強化した組込みシステムを提案する。
組み込みソリューションは低消費電力の組み込みセンシングシステムとNeural Acceleratorを使って、一般的なフェロモンベースのトラップ内で画像をキャプチャして処理することができる。
3つの異なるMLアルゴリズムがトレーニングされ、デプロイされ、プラットフォームの能力を強調している。
さらに, エネルギー収穫機能の統合により, 電池寿命の延長が図られている。
その結果,農夫の介入なしに無期限に害虫感染処理を自動化できることが示唆された。
関連論文リスト
- Progressing from Anomaly Detection to Automated Log Labeling and
Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。
この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文 参考訳(メタデータ) (2023-12-22T15:04:20Z) - Crop Disease Classification using Support Vector Machines with Green
Chromatic Coordinate (GCC) and Attention based feature extraction for IoT
based Smart Agricultural Applications [0.0]
植物病は農業栽培中の葉に悪影響を及ぼし、作物の生産量と経済的価値に大きな損失をもたらす。
各種機械学習(ML)と深層学習(DL)アルゴリズムが開発され,植物病の検出のための研究が行われている。
本稿では、注意に基づく特徴抽出、RGBチャネルに基づく色分析、SVM(Support Vector Machines)による性能向上による事前作業に基づく新しい分類手法を提案する。
論文 参考訳(メタデータ) (2023-11-01T10:44:49Z) - Improving FHB Screening in Wheat Breeding Using an Efficient Transformer
Model [0.0]
フサリウム・ヘッド・ブライト(Fusarium head blight)は、小さな穀物に毎年重大な経済的損失をもたらす壊滅的な病気である。
FHBの早期検出のために,教師付き機械学習アルゴリズムを用いて画像処理技術を開発した。
変圧器モデルにU-Netネットワークの局所表現機能を統合するために,新しいContext Bridgeを提案する。
論文 参考訳(メタデータ) (2023-08-07T15:44:58Z) - 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) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文 参考訳(メタデータ) (2022-09-25T04:56:10Z) - Spatial Monitoring and Insect Behavioural Analysis Using Computer Vision
for Precision Pollination [6.2997667081978825]
昆虫は作物の最も重要な世界的な受粉者であり、自然生態系の持続可能性を維持する上で重要な役割を担っている。
現在のコンピュータビジョンは、複雑な屋外環境における昆虫追跡を空間的に制限している。
本稿では,昆虫数計測,昆虫の動き追跡,行動解析,受粉予測のためのマーカーレスデータキャプチャーシステムを紹介する。
論文 参考訳(メタデータ) (2022-05-10T05:11:28Z) - 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) - An Automated Scanning Transmission Electron Microscope Guided by Sparse
Data Analytics [0.0]
本稿では,新たに出現するスパースデータ分析によって導かれる閉ループ管楽器制御プラットフォームの設計について論じる。
機械学習によって通知される集中型コントローラが、限られた$a$$priori$知識とタスクベースの識別を組み合わせることで、オンザフライでの実験的な意思決定を駆動する様子を実証する。
論文 参考訳(メタデータ) (2021-09-30T00:25:35Z) - Towards self-organized control: Using neural cellular automata to
robustly control a cart-pole agent [62.997667081978825]
我々は、カートポールエージェントを制御するために、ニューラルセルオートマトンを使用する。
我々は、Q値の推定値として出力セルの状態を用いる深層学習を用いてモデルを訓練した。
論文 参考訳(メタデータ) (2021-06-29T10:49:42Z) - Pandemic Drugs at Pandemic Speed: Accelerating COVID-19 Drug Discovery
with Hybrid Machine Learning- and Physics-based Simulations on High
Performance Computers [36.11665744919561]
既存の薬物発見プロセスは高価で非効率で遅い。
薬物発見を加速する新たな機会は、機械学習と物理学に基づく方法のインターフェースにある。
本稿では、薬物発見を加速する両アプローチを組み合わせた革新的な方法を提案する。
論文 参考訳(メタデータ) (2021-03-04T05:43:18Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳(メタデータ) (2021-02-12T09:33:00Z)
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。