論文の概要: Towards practical object detection for weed spraying in precision agriculture

• arxiv url: http://arxiv.org/abs/2109.11048v1
• Date: Wed, 22 Sep 2021 21:32:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-24 14:53:58.304429
• Title: Towards practical object detection for weed spraying in precision agriculture
• Title（参考訳）: 精密農業における雑草散布の実用的物体検出に向けて
• Authors: Adrian Salazar-Gomez, Madeleine Darbyshire, Junfeng Gao, Elizabeth I Sklar, Simon Parsons
• Abstract要約: 本稿では,実環境における精密雑草の展開に関連する諸側面を明らかにする3つの指標を紹介する。 この機能のキーとなるのは、高速で堅牢なマシンビジョンです。 重要な課題の1つは、MLベースの視覚研究の大部分が、オブジェクト検出の精度を評価する指標のみを考慮することである。
• 参考スコア（独自算出の注目度）: 2.6793098711987056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The evolution of smaller, faster processors and cheaper digital storage mechanisms across the last 4-5 decades has vastly increased the opportunity to integrate intelligent technologies in a wide range of practical environments to address a broad spectrum of tasks. One exciting application domain for such technologies is precision agriculture, where the ability to integrate on-board machine vision with data-driven actuation means that farmers can make decisions about crop care and harvesting at the level of the individual plant rather than the whole field. This makes sense both economically and environmentally. However, the key driver for this capability is fast and robust machine vision -- typically driven by machine learning (ML) solutions and dependent on accurate modelling. One critical challenge is that the bulk of ML-based vision research considers only metrics that evaluate the accuracy of object detection and do not assess practical factors. This paper introduces three metrics that highlight different aspects relevant for real-world deployment of precision weeding and demonstrates their utility through experimental results.
• Abstract（参考訳）: 過去4～5年間で、より小型で高速なプロセッサと安価なデジタルストレージ機構の進化は、幅広いタスクに対応するために、幅広い実用的な環境にインテリジェントなテクノロジーを統合する機会を大きく増やした。 このような技術に対するエキサイティングなアプリケーションドメインの一つが精密農業であり、オンボードマシンビジョンとデータ駆動型アクティベーションを統合する能力は、農家が畑全体ではなく、個々の植物レベルで作物の世話と収穫について決定できることを意味する。 これは経済的にも環境的にも意味がある。 一般的に機械学習(ML)ソリューションによって駆動され、正確なモデリングに依存します。 重要な課題の1つは、MLベースの視覚研究の大部分が、オブジェクト検出の精度を評価し、実用的な要因を評価しない指標のみを考慮していることである。 本稿では,実世界の精密除草における異なる側面に着目した3つの指標を紹介し,実験による有用性を示す。

関連論文リスト

• 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)
• Data-Centric Digital Agriculture: A Perspective [23.566985362242498]
  デジタル農業は、食料、食料、繊維、燃料の需要の増加に対応するために急速に発展している。 デジタル農業における機械学習の研究は、主にモデル中心のアプローチに焦点を当てている。 デジタル農業の可能性を完全に実現するためには、この分野におけるデータの役割を包括的に理解することが不可欠である。
  論文  参考訳（メタデータ） (2023-12-06T11:38:26Z)
• Recent applications of machine learning, remote sensing, and iot approaches in yield prediction: a critical review [0.0]
  農業におけるリモートセンシングと機械学習の統合は、業界を変えつつある。 本稿では、作物収量予測にRS、ML、クラウドコンピューティング、IoTを使用した関連記事についてレビューする。
  論文  参考訳（メタデータ） (2023-06-07T16:13:16Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• MetaGraspNet: A Large-Scale Benchmark Dataset for Vision-driven Robotic Grasping via Physics-based Metaverse Synthesis [78.26022688167133]
  本稿では,物理に基づくメタバース合成による視覚駆動型ロボットグルーピングのための大規模ベンチマークデータセットを提案する。 提案するデータセットには,10万の画像と25種類のオブジェクトが含まれている。 また,オブジェクト検出とセグメンテーション性能を評価するためのデータセットとともに,新しいレイアウト重み付け性能指標を提案する。
  論文  参考訳（メタデータ） (2021-12-29T17:23:24Z)
• 3D shape sensing and deep learning-based segmentation of strawberries [5.634825161148484]
  農業における形状の3次元認識のためのステレオおよび飛行時間カメラを含む最新のセンシング技術を評価する。 本稿では,カメラベースの3Dセンサから得られる情報の組織的性質を利用した,新しい3Dディープニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-26T18:43:10Z)
• Visual Probing and Correction of Object Recognition Models with Interactive user feedback [2.8101673772585736]
  本稿では,オブジェクト認識モデルの不確かさを可視化し,ユーザフィードバックによる修正プロセスを提案する。 VAST 2020 Mini-Challenge 2が提供するデータに対するアプローチを実証します。
  論文  参考訳（メタデータ） (2020-12-29T00:36:12Z)
• 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)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)
• Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
  特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。 衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
  論文  参考訳（メタデータ） (2020-07-07T12:44:17Z)
• Computer Vision with Deep Learning for Plant Phenotyping in Agriculture: A Survey [25.365163119362045]
  精密農業技術により、ステークホルダーは効果的でカスタマイズされた作物管理の決定を行うことができる。 植物の表現型付け技術は、正確な作物モニタリングにおいて重要な役割を担っている。 本調査は,植物表現学における技術研究の現状を読者に紹介することを目的としている。
  論文  参考訳（メタデータ） (2020-06-18T14:21:19Z)

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。