論文の概要: Detecting Volunteer Cotton Plants in a Corn Field with Deep Learning on
UAV Remote-Sensing Imagery
- arxiv url: http://arxiv.org/abs/2207.06673v1
- Date: Thu, 14 Jul 2022 05:59:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-15 12:33:11.709390
- Title: Detecting Volunteer Cotton Plants in a Corn Field with Deep Learning on
UAV Remote-Sensing Imagery
- Title（参考訳）: UAVリモートセンシング画像を用いた深層学習によるトウモロコシ畑の自発的綿花の検出
- Authors: Pappu Kumar Yadav, J. Alex Thomasson, Robert Hardin, Stephen W.
Searcy, Ulisses Braga-Neto, Sorin C. Popescu, Daniel E. Martin, Roberto
Rodriguez, Karem Meza, Juan Enciso, Jorge Solorzano Diaz, Tianyi Wang
- Abstract要約: 綿花のウズラは1800年代後半にメキシコからアメリカ合衆国に入って以来、160億米ドル以上の損害を被った。
トウモロコシのような季節間作物の畑で生育するボランティア綿(VC)植物は、これらの害虫の宿主として機能する。
本稿では,無人航空機 (UAS) で収集した3種類の航空機画像から, YOLOv3 を用いてトウモロコシ畑のVC植物を検出する方法を提案する。
- 参考スコア（独自算出の注目度）: 5.293431074053198
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The cotton boll weevil, Anthonomus grandis Boheman is a serious pest to the
U.S. cotton industry that has cost more than 16 billion USD in damages since it
entered the United States from Mexico in the late 1800s. This pest has been
nearly eradicated; however, southern part of Texas still faces this issue and
is always prone to the pest reinfestation each year due to its sub-tropical
climate where cotton plants can grow year-round. Volunteer cotton (VC) plants
growing in the fields of inter-seasonal crops, like corn, can serve as hosts to
these pests once they reach pin-head square stage (5-6 leaf stage) and
therefore need to be detected, located, and destroyed or sprayed . In this
paper, we present a study to detect VC plants in a corn field using YOLOv3 on
three band aerial images collected by unmanned aircraft system (UAS). The
two-fold objectives of this paper were : (i) to determine whether YOLOv3 can be
used for VC detection in a corn field using RGB (red, green, and blue) aerial
images collected by UAS and (ii) to investigate the behavior of YOLOv3 on
images at three different scales (320 x 320, S1; 416 x 416, S2; and 512 x 512,
S3 pixels) based on average precision (AP), mean average precision (mAP) and
F1-score at 95% confidence level. No significant differences existed for mAP
among the three scales, while a significant difference was found for AP between
S1 and S3 (p = 0.04) and S2 and S3 (p = 0.02). A significant difference was
also found for F1-score between S2 and S3 (p = 0.02). The lack of significant
differences of mAP at all the three scales indicated that the trained YOLOv3
model can be used on a computer vision-based remotely piloted aerial
application system (RPAAS) for VC detection and spray application in near
real-time.
- Abstract（参考訳）: アメリカの綿花産業にとって深刻な害虫であり、1800年代後半にメキシコからアメリカ合衆国に入って以来、160億米ドル以上の損害を被った。
この害虫はほぼ根絶されているが、テキサス州南部は依然としてこの問題に直面しており、綿花が一年中栽培できる亜熱帯気候のため、毎年害虫の復活に近づいている。
トウモロコシのような季節間作物の畑で生育するボランティアコットン(vc)植物は、ピンヘッドスクエアステージ(5-6リーフステージ)に達するとこれらの害虫の宿主として機能するので、検出、配置、破壊、散布する必要がある。
本稿では,無人航空機システム (uas) が収集した3つのバンド空中画像から,yolov3を用いてトウモロコシ畑のvcプラントを検出する。
本論文の目的は次のとおりである。
(i)UASが収集したRGB(赤、緑、青)空中画像を用いてトウモロコシ畑のVC検出にYOLOv3を使用できるかどうかを判定する。
(i)平均精度(AP)、平均精度(mAP)、F1スコア(95%信頼度)に基づく3種類の画像(320 x 320, S1, 416 x 416, S2, 512 x 512, S3ピクセル)におけるYOLOv3の挙動を調べた。
3つのスケールでmAPに有意差はなかったが、APではS1とS3(p = 0.04)とS2とS3(p = 0.02)の間に有意な差が認められた。
s2 と s3 の f1-score にも有意差が認められた(p = 0.02)。
3つのスケールでmAPに大きな違いがないことは、トレーニングされたYOLOv3モデルが、VC検出およびスプレーアプリケーションをほぼリアルタイムに、コンピュータビジョンベースの遠隔操縦型航空アプリケーションシステム(RPAAS)で使用できることを示している。
関連論文リスト
- Investigation to answer three key questions concerning plant pest identification and development of a practical identification framework [2.388418486046813]
334K画像を用いた精密で頑健で高速な植物害虫識別フレームワークを開発した。
我々の2段階植物害虫識別フレームワークは,91.0%,88.5%の精度とマクロF1スコアを達成できた。
論文 参考訳（メタデータ） (2024-07-25T12:49:24Z) - Vision Transformers, a new approach for high-resolution and large-scale
mapping of canopy heights [50.52704854147297]
分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。
このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
論文 参考訳（メタデータ） (2023-04-22T22:39:03Z) - 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) - Assessing The Performance of YOLOv5 Algorithm for Detecting Volunteer
Cotton Plants in Corn Fields at Three Different Growth Stages [5.293431074053198]
テキサス・ボール・ウィービル根絶プログラム (TBWEP) では、道路や畑に自作作物が生えているVCの植物を発見・排除するために人々が雇用している。
本稿では, トウモロコシ畑の中央に生育するVCプラントを検出するために, You Only Look Once Version 5 (YOLOv5) に基づくコンピュータビジョン (CV) アルゴリズムの応用を実証する。
論文 参考訳（メタデータ） (2022-07-31T21:03:40Z) - 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) - A Multi-Stage model based on YOLOv3 for defect detection in PV panels
based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。
このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。
提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
論文 参考訳（メタデータ） (2021-11-23T08:04:32Z) - 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) - Artificial intelligence for detection and quantification of rust and
leaf miner in coffee crop [0.0]
コーヒーの葉に錆(Hemileia vastatrix)と葉の鉱夫(Leucoptera coffeella)を検出するアルゴリズムを作成します。
モデル推論のための高レベルインタフェースとして,モバイルアプリケーションを用いて病気の重症度を定量化する。
論文 参考訳（メタデータ） (2021-03-20T20:52:11Z) - A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows
from UAV Imagery [56.10033255997329]
畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。
高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。
提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
論文 参考訳（メタデータ） (2020-12-31T18:51:17Z) - One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。
2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
論文 参考訳（メタデータ） (2020-12-14T10:44:22Z) - Comparison of object detection methods for crop damage assessment using
deep learning [0.0]
本研究の目的は、コンピュータビジョンと深層学習技術を用いて、空中画像から損傷した作物の面積を検知する概念実証である。
RGBカメラを搭載した無人航空システム(UAS)が画像取得に使用された。
3つの人気の物体検出器(Faster R-CNN, YOLOv2, RetinaNet)は、フィールド内の損傷領域を検出する能力について評価された。
YOLOv2とRetinaNetは、複数の後期季節成長段階にわたって作物の損傷を検出することができた。
論文 参考訳（メタデータ） (2019-12-31T06:54:48Z)
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。