論文の概要: Spatial Monitoring and Insect Behavioural Analysis Using Computer Vision
for Precision Pollination
- arxiv url: http://arxiv.org/abs/2205.04675v1
- Date: Tue, 10 May 2022 05:11:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-14 19:13:45.477412
- Title: Spatial Monitoring and Insect Behavioural Analysis Using Computer Vision
for Precision Pollination
- Title（参考訳）: 精密受粉のためのコンピュータビジョンを用いた空間モニタリングと昆虫行動解析
- Authors: Malika Nisal Ratnayake, Don Chathurika Amarathunga, Asaduz Zaman,
Adrian G. Dyer, Alan Dorin
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.2997667081978825
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Insects are the most important global pollinator of crops and play a key role
in maintaining the sustainability of natural ecosystems. Insect pollination
monitoring and management are therefore essential for improving crop production
and food security. Computer vision facilitated pollinator monitoring can
intensify data collection over what is feasible using manual approaches. The
new data it generates may provide a detailed understanding of insect
distributions and facilitate fine-grained analysis sufficient to predict their
pollination efficacy and underpin precision pollination. Current computer
vision facilitated insect tracking in complex outdoor environments is
restricted in spatial coverage and often constrained to a single insect
species. This limits its relevance to agriculture. Therefore, in this article
we introduce a novel system to facilitate markerless data capture for insect
counting, insect motion tracking, behaviour analysis and pollination prediction
across large agricultural areas. Our system is comprised of Edge Computing
multi-point video recording, offline automated multi-species insect counting,
tracking and behavioural analysis. We implement and test our system on a
commercial berry farm to demonstrate its capabilities. Our system successfully
tracked four insect varieties, at nine monitoring stations within a
poly-tunnel, obtaining an F-score above 0.8 for each variety. The system
enabled calculation of key metrics to assess the relative pollination impact of
each insect variety. With this technological advancement, detailed, ongoing
data collection for precision pollination becomes achievable. This is important
to inform growers and apiarists managing crop pollination, as it allows
data-driven decisions to be made to improve food production and food security.
- Abstract（参考訳）: 昆虫は作物の世界的な受粉者であり、自然生態系の持続性を維持する上で重要な役割を担っている。
したがって、昆虫の受粉監視と管理は作物の生産と食品の安全性を改善するのに不可欠である。
コンピュータビジョンによる受粉者監視は、手動で実現可能なデータ収集を強化することができる。
新たに得られたデータは、昆虫の分布を詳細に理解し、受粉効果を予測するのに十分な詳細な分析を容易にし、精度の高い受粉を誘導する。
現在のコンピュータビジョンでは、複雑な屋外環境での昆虫追跡は空間的に制限され、しばしば単一の昆虫種に制限される。
これは農業との関わりを制限している。
そこで,本研究では,昆虫数,昆虫運動追跡,行動解析,受粉予測などのマーカーレスデータ収集を容易にする新しいシステムを提案する。
本システムは,エッジコンピューティングによる多点映像記録,オフライン自動多種昆虫数,追跡,行動分析によって構成されている。
我々は,その能力を実証するために,市販のベリー農場でシステムを実装し,テストする。
本システムでは,ポリトンネル内の9つの監視ステーションで4種類の昆虫を追跡し,それぞれ0.8以上のf-scoreを得た。
このシステムは、各昆虫の相対的な受粉影響を評価するために重要な指標の計算を可能にした。
この技術進歩により、精密受粉のための詳細なデータ収集が可能となる。
これは、作物の受粉を管理する栽培者やアピアリストに、食糧生産と食品の安全性を改善するためにデータ駆動の意思決定を行うことを可能にするために重要である。
関連論文リスト
- Self-supervised transformer-based pre-training method with General Plant Infection dataset [3.969851116372513]
本研究では、コントラスト学習とマスクド画像モデリング(MIM)を組み合わせた高度なネットワークアーキテクチャを提案する。
提案するネットワークアーキテクチャは,植物害虫や病原体認識タスクに対処し,優れた検出精度を実現する。
私たちのコードとデータセットは、植物害虫の研究と病気の認識を促進するために公開されます。
論文 参考訳（メタデータ） (2024-07-20T15:48:35Z) - Artificial Immune System of Secure Face Recognition Against Adversarial Attacks [67.31542713498627]
昆虫生産には 最大限の可能性を実現するために 最適化が必要です
これは選択的育種による興味のある形質の改善が目的である。
このレビューは、様々な分野の知識と、動物の繁殖、定量的遺伝学、進化生物学、昆虫学のギャップを埋めるものである。
論文 参考訳（メタデータ） (2024-06-26T07:50:58Z) - Insect Identification in the Wild: The AMI Dataset [35.41544843896443]
昆虫は世界の生物多様性の半分を占めるが、世界の昆虫の多くは姿を消している。
この危機にもかかわらず、昆虫の多様性と豊かさに関するデータはいまだに不十分である。
昆虫認識のための大規模な機械学習ベンチマークを初めて提供します。
論文 参考訳（メタデータ） (2024-06-18T09:57:02Z) - Unleashing the Power of Transfer Learning Model for Sophisticated Insect Detection: Revolutionizing Insect Classification [0.520707246175575]
この研究では、MobileNetV2、ResNet152V2、Xecption、Custom CNNといったさまざまなモデルを使用します。
ResNet152V2アーキテクチャに基づく畳み込みニューラルネットワーク(CNN)の構築と評価を行った。
この結果は、昆虫の分類と昆虫学研究における現実世界の応用の可能性を強調している。
論文 参考訳（メタデータ） (2024-06-11T20:52:42Z) - BonnBeetClouds3D: A Dataset Towards Point Cloud-based Organ-level
Phenotyping of Sugar Beet Plants under Field Conditions [30.27773980916216]
農業生産は今後数十年間、気候変動と持続可能性の必要性によって深刻な課題に直面している。
自律無人航空機(UAV)による作物のモニタリングと、ロボットによる非化学雑草によるフィールド管理の進歩は、これらの課題に対処するのに有用である。
表現型化と呼ばれる植物形質の分析は、植物の育種に不可欠な活動であるが、大量の手作業が伴う。
論文 参考訳（メタデータ） (2023-12-22T14:06:44Z) - Deep learning powered real-time identification of insects using citizen
science data [17.13608307250744]
InsectNetは、侵入した種を識別し、きめ細かい昆虫種を識別し、挑戦的な背景において効果的に働く。
また、不確実な場合には予測を控え、シームレスな人間の介入を助長し、実用的で信頼できるツールにもなれる。
論文 参考訳（メタデータ） (2023-06-04T23:56:53Z) - 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) - 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) - Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。
MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。
この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
論文 参考訳（メタデータ） (2020-07-27T17:03:50Z) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳（メタデータ） (2020-02-05T21:38:57Z)
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。