Fugu-MT 論文翻訳(概要): Using UAS Imagery and Computer Vision to Support Site-Specific Weed Control in Corn

論文の概要: Using UAS Imagery and Computer Vision to Support Site-Specific Weed Control in Corn

arxiv url: http://arxiv.org/abs/2206.01734v1
Date: Thu, 2 Jun 2022 18:33:22 GMT
ステータス: 処理完了
システム内更新日: 2022-06-12 20:44:22.160908
Title: Using UAS Imagery and Computer Vision to Support Site-Specific Weed Control in Corn
Title（参考訳）: UAS画像とコンピュータビジョンを用いたトウモロコシのサイト特異的雑草制御
Authors: Ranjan Sapkota, Paulo Flores
Abstract要約: 現在、トウモロコシ畑における雑草防除は除草剤の毛布適用によって行われている。化学物質の量を減らすために,ドローンによる高解像度画像とコンピュータビジョン技術を用いた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Currently, weed control in a corn field is performed by a blanket application of herbicides that do not consider spatial distribution information of weeds and also uses an extensive amount of chemical herbicides. To reduce the amount of chemicals, we used drone-based high-resolution imagery and computer-vision techniques to perform site-specific weed control in corn.
Abstract（参考訳）: 現在、トウモロコシ畑における雑草防除は、雑草の空間分布情報を考慮せず、大量の化学除草剤を使用する除草剤の毛布適用によって行われている。化学物質の量を減らすために,ドローンによる高解像度画像とコンピュータビジョン技術を用いて,トウモロコシの部位特異的雑草制御を行った。

関連論文リスト

Remote Sensing for Weed Detection and Control [0.0]
ライグラスは収量と穀物の品質を大幅に低下させる可能性がある。コストと環境への影響を制御するため、ドローンや衛星画像の雑草を検出する。
論文参考訳（メタデータ） (2024-10-29T21:41:42Z)
CountMamba: Exploring Multi-directional Selective State-Space Models for Plant Counting [33.41299696340091]
植物カウントは、種子の育種、発芽、栽培、受精、受粉収量の推定、収穫など、農業のあらゆる段階において不可欠である。逐次走査法により高分解能画像中の被写体を数えることに着想を得て, 状態空間モデル(SSM)を用いて植物計測タスクを処理し, 結果を生成する可能性を探る。我々は,複数のカウント専門家が同時に様々な方向からスキャンできるように,CountMambaという新しいカウント手法を提案する。
論文参考訳（メタデータ） (2024-10-10T01:52:57Z)
Leafy Spurge Dataset: Real-world Weed Classification Within Aerial Drone Imagery [37.51633459581306]
侵入する植物種は、農業と農地の両方の生態に有害である。ユープホルビア・エスラ(Euphorbia esula)のような外来植物は、東ヨーロッパから北アメリカの大部分に分布している。米国モンタナ州西部の草原で、葉質のふわふわしたスプージの存在と不在のデータセットを収集し、商用ドローンでこれらの地域を調査した。我々はこれらのデータに基づいて画像分類器を訓練し、我々の最高の性能モデルであるDINOv2視覚変換器は、葉の隆起を0.84精度で同定した。
論文参考訳（メタデータ） (2024-05-02T23:53:29Z)
DISCount: Counting in Large Image Collections with Detector-Based Importance Sampling [32.522579550452484]
DISCountは、大規模な画像収集をカウントするための検出器ベースの重要なサンプリングフレームワークである。これは、不完全な検知器とループ内のヒトスクリーニングを統合して、不偏のカウント推定を生成する。
論文参考訳（メタデータ） (2023-06-05T18:04:57Z)
Site-specific weed management in corn using UAS imagery analysis and computer vision techniques [0.0]
現在、畑の雑草分布情報を考慮せずに商業トウモロコシ生産における雑草制御を行っている。本研究の目的は,(1)無人航空システム(UAS)を用いてトウモロコシ畑における雑草の空間分布情報をマッピングし,地域特異的雑草制御(SSWC)を行うことである。 SSWCのアプローチにより、既存の方法と比較して、土地の26.23%(1.97エーカー)が化学除草剤で噴霧されるのを防ぐことができた。
論文参考訳（メタデータ） (2022-12-31T21:48:14Z)
Monitoring Vegetation From Space at Extremely Fine Resolutions via Coarsely-Supervised Smooth U-Net [31.664846332628183]
植生の生産性を極めて微細な解像度でモニタリングすることは、現実世界の農業用途に有用である。粗い監督設定のための新しい手法として、粗い監督された平滑なU-Net(CS-SUNet)を提案する。実験の結果,CS-SUNetは既存手法よりも高精度にSIFの微細な変化を解消できることがわかった。
論文参考訳（メタデータ） (2022-07-16T21:36:22Z)
Computer Vision for Volunteer Cotton Detection in a Corn Field with UAS Remote Sensing Imagery and Spot Spray Applications [5.293431074053198]
綿花畑におけるイノシシ (Anthonomus grandis L.) 害虫の再寄生を抑えるため, 現在, ボランティア・綿花検出の実践は, 畑の端で手動のフィールド・スカウトを伴っている。タッセリング(VT)成長期に成長するVC植物の検出と位置決定のために, YOLOv5mをラジオメトリックおよびガンマ補正低分解能(1.2メガピクセル)マルチスペクトル画像に適用した。
論文参考訳（メタデータ） (2022-07-15T08:13:20Z)
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)
Using depth information and colour space variations for improving outdoor robustness for instance segmentation of cabbage [62.997667081978825]
本研究は, 異なる環境条件下での作物のインスタンスセグメンテーションの改善に焦点をあてる。深度情報と異なる色空間表現の影響を分析した。その結果,色情報と組み合わせることでセグメンテーション精度が7.1%向上した。
論文参考訳（メタデータ） (2021-03-31T09:19:12Z)
A Survey of Deep Learning Techniques for Weed Detection from Images [4.96981595868944]
既存の深層学習に基づく雑草検出・分類手法を検討する。その結果,ほとんどの研究が教師あり学習手法を適用し,高い分類精度を達成した。過去の実験は、大量のラベル付きデータが利用できる場合に既に高い精度を達成している。
論文参考訳（メタデータ） (2021-03-02T02:02:24Z)
Weed Density and Distribution Estimation for Precision Agriculture using Semi-Supervised Learning [0.0]
雑草密度と分布のロバストな推定のための深層学習に基づく半教師付き手法を提案する。本研究では、作物や雑草を含む前景の植生画素を、畳み込みニューラルネットワーク(CNN)に基づく教師なしセグメンテーションを用いて最初に同定する。雑草感染地域は、細調整されたCNNを用いて識別され、手作りの特徴を設計する必要がなくなる。
論文参考訳（メタデータ） (2020-11-04T09:35:53Z)

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。