論文の概要: Farmer's Assistant: A Machine Learning Based Application for
Agricultural Solutions
- arxiv url: http://arxiv.org/abs/2204.11340v1
- Date: Sun, 24 Apr 2022 19:31:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-26 12:37:31.501226
- Title: Farmer's Assistant: A Machine Learning Based Application for
Agricultural Solutions
- Title(参考訳): Farmer's Assistant: 農業ソリューションのための機械学習ベースのアプリケーション
- Authors: Shloka Gupta, Akshay Chopade, Nishit Jain, Aparna Bhonde
- Abstract要約: 我々は、これらの問題に対処するため、オープンソースの使いやすいWebアプリケーションを作成し、作物の生産を改善するのに役立ちます。
特に,作物の推薦,肥料の推薦,植物病の予知,対話型ニューズフィードを支持している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Farmers face several challenges when growing crops like uncertain irrigation,
poor soil quality, etc. Especially in India, a major fraction of farmers do not
have the knowledge to select appropriate crops and fertilizers. Moreover, crop
failure due to disease causes a significant loss to the farmers, as well as the
consumers. While there have been recent developments in the automated detection
of these diseases using Machine Learning techniques, the utilization of Deep
Learning has not been fully explored. Additionally, such models are not easy to
use because of the high-quality data used in their training, lack of
computational power, and poor generalizability of the models. To this end, we
create an open-source easy-to-use web application to address some of these
issues which may help improve crop production. In particular, we support crop
recommendation, fertilizer recommendation, plant disease prediction, and an
interactive news-feed. In addition, we also use interpretability techniques in
an attempt to explain the prediction made by our disease detection model.
- Abstract(参考訳): 農夫は不確実な灌水、土壌の質の低下など作物を育てる際にいくつかの課題に直面している。
特にインドでは、農夫の大多数が適切な作物や肥料を選択する知識を持っていない。
さらに、病気による作物の故障は農家や消費者に大きな損失をもたらしている。
近年,機械学習技術を用いてこれらの疾患を自動的に検出する手法が開発されているが,Deep Learningの利用は十分に検討されていない。
加えて、トレーニングで使用される高品質なデータ、計算能力の欠如、モデルの一般化の貧弱さから、そのようなモデルの使用は容易ではない。
この目的のために、我々はこれらの問題に対処するためにオープンソースの使いやすいWebアプリケーションを作成し、作物の生産を改善するのに役立ちます。
特に,作物の推薦,肥料の推薦,植物病の予測,対話型ニューズフィードを支援。
また,本研究では,疾患検出モデルによる予測について説明するために,解釈可能性技術を用いている。
関連論文リスト
- An Efficient Deep Learning-based approach for Recognizing Agricultural
Pests in the Wild [0.0]
農夫が経験した最大の課題の1つは、農作物の収量で害虫と戦うことである。
これは、簡単かつ効果的に昆虫の害虫を識別することを必要とする。
我々は,それぞれに最適な方法を見出すために,様々な方法を検討する広範囲な実験を行った。
論文 参考訳(メタデータ) (2023-10-25T20:42:20Z) - Detection of healthy and diseased crops in drone captured images using
Deep Learning [0.0]
病気によって引き起こされる植物の正常な状態の破壊は、しばしば本質的な植物活動に干渉する。
ドローン画像を用いた植物病の効率的な検出のための深層学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2023-05-22T21:15:12Z) - Revolutionizing Agrifood Systems with Artificial Intelligence: A Survey [93.34268594812599]
我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。
本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。
我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
論文 参考訳(メタデータ) (2023-05-03T05:16:54Z) - Agave crop segmentation and maturity classification with deep learning
data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。
実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。
結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
論文 参考訳(メタデータ) (2023-03-21T03:15:29Z) - Plant Disease Detection using Region-Based Convolutional Neural Network [2.5091819952713057]
農業はバングラデシュの食料と経済において重要な役割を担っている。
低作物生産の主な原因の1つは、多くの細菌、ウイルス、真菌の植物病である。
本稿では,トマトの葉病予測のための軽量深層学習モデルの構築を目的とする。
論文 参考訳(メタデータ) (2023-03-16T03:43:10Z) - Automated Wheat Disease Detection using a ROS-based Autonomous Guided
UAV [0.0]
小麦畑のモニタリング作業を自動化するために、無人航空機にスマート自律システムが実装されている。
画像に基づくディープラーニングアプローチは、病気に感染した小麦の植物を検出し分類するために用いられる。
ロボットオペレーティングシステムとガゼボ環境におけるシミュレーションを用いて,マッピングとナビゲーションシステムを提案する。
論文 参考訳(メタデータ) (2022-06-30T06:12:48Z) - Towards a Multimodal System for Precision Agriculture using IoT and
Machine Learning [0.5249805590164902]
データ収集のためのIoT(Internet of Things)や、作物の損傷予測のための機械学習、作物の病気検出のためのディープラーニングといった技術が使用されている。
作物の被害予測には、ランダムフォレスト(RF)、光勾配昇降機(LGBM)、XGBoost(XGB)、決定木(DT)、K Nearest Neighbor(KNN)などのアルゴリズムが用いられている。
VGG16、Resnet50、DenseNet121といった事前学習された畳み込みニューラルネットワーク(CNN)モデルも、作物が何らかの病気で汚染されているかどうかを確認するために訓練されている。
論文 参考訳(メタデータ) (2021-07-10T19:19:45Z) - 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) - 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) - Agriculture-Vision: A Large Aerial Image Database for Agricultural
Pattern Analysis [110.30849704592592]
本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。
各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。
農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
論文 参考訳(メタデータ) (2020-01-05T20:19:33Z)
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。