論文の概要: Estimaci\'on de \'areas de cultivo mediante Deep Learning y
programaci\'on convencional
- arxiv url: http://arxiv.org/abs/2207.12310v1
- Date: Mon, 25 Jul 2022 16:22:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 14:58:32.587292
- Title: Estimaci\'on de \'areas de cultivo mediante Deep Learning y
programaci\'on convencional
- Title（参考訳）: 深層学習におけるカルティーボの地域性について
- Authors: Javier Caicedo and Pamela Acosta and Romel Pozo and Henry Guilcapi and
Christian Mejia-Escobar
- Abstract要約: エクアドルにおけるサトウキビの栽培・収穫において,最も認知度の高い企業の一つとして検討されてきた。
この戦略はGAN(Generative Adversarial Neural Network)と組み合わせて、サトウキビのプロットの航空写真に基づいて訓練し、人口密度や人口密度の低い作物を識別する。
実験では、空中写真の品質が大幅に向上した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial Intelligence has enabled the implementation of more accurate and
efficient solutions to problems in various areas. In the agricultural sector,
one of the main needs is to know at all times the extent of land occupied or
not by crops in order to improve production and profitability. The traditional
methods of calculation demand the collection of data manually and in person in
the field, causing high labor costs, execution times, and inaccuracy in the
results. The present work proposes a new method based on Deep Learning
techniques complemented with conventional programming for the determination of
the area of populated and unpopulated crop areas. We have considered as a case
study one of the most recognized companies in the planting and harvesting of
sugar cane in Ecuador. The strategy combines a Generative Adversarial Neural
Network (GAN) that is trained on a dataset of aerial photographs of natural and
urban landscapes to improve image resolution; a Convolutional Neural Network
(CNN) trained on a dataset of aerial photographs of sugar cane plots to
distinguish populated or unpopulated crop areas; and a standard image
processing module for the calculation of areas in a percentage manner. The
experiments performed demonstrate a significant improvement in the quality of
the aerial photographs as well as a remarkable differentiation between
populated and unpopulated crop areas, consequently, a more accurate result of
cultivated and uncultivated areas. The proposed method can be extended to the
detection of possible pests, areas of weed vegetation, dynamic crop
development, and both qualitative and quantitative quality control.
- Abstract（参考訳）: 人工知能は、様々な分野の問題に対するより正確で効率的なソリューションの実装を可能にした。
農業分野では、生産と収益性を改善するために、常に作物が占める土地の程度を知ることが主なニーズである。
従来の計算手法では、手動で現場のデータを収集する必要があるため、高い労働コスト、実行時間、結果の不正確さが生じる。
本研究は,人口密度と人口密度の低い作物の面積を決定するために,従来のプログラムと相補するディープラーニング技術に基づく新しい手法を提案する。
我々は,エクアドルにおけるサトウキビの栽培と収穫において,最も認知されている企業の1つであると考えられる。
この戦略は、自然と都市の風景の航空写真データセットに基づいて訓練されたGAN(Generative Adversarial Neural Network)と、人口密度や人口密度の低い作物領域を識別するために、サトウキビプロットの航空写真データセットに基づいて訓練された畳み込みニューラルネットワーク(CNN)と、地域をパーセンテージに計算するための標準画像処理モジュールを組み合わせる。
実験の結果, 航空写真の品質は著しく向上し, 人口密度と人口密度の低い作物群とでは顕著な差がみられ, 耕作地や未耕作地のより正確な結果が得られた。
提案手法は,潜在的な害虫の検出,雑草植生の地域,動的作物開発,質的,定量的品質管理に拡張することができる。
関連論文リスト
- Semi-Self-Supervised Domain Adaptation: Developing Deep Learning Models with Limited Annotated Data for Wheat Head Segmentation [0.10923877073891444]
本稿では,確率的拡散過程を持つ深層畳み込みニューラルネットワークに基づく半自己制御型ドメイン適応手法を提案する。
合成画像-マスク対と無注釈画像の両方を利用する2分岐畳み込みエンコーダ・デコーダモデルアーキテクチャを開発した。
提案されたモデルは、内部テストデータセットで80.7%のDiceスコア、外部テストセットで64.8%のDiceスコアを達成した。
論文 参考訳（メタデータ） (2024-05-12T04:35:49Z) - 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) - 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) - 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) - End-to-end deep learning for directly estimating grape yield from
ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。
オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。
本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文 参考訳（メタデータ） (2022-08-04T01:34:46Z) - Enlisting 3D Crop Models and GANs for More Data Efficient and
Generalizable Fruit Detection [0.0]
本稿では,合成3次元作物モデルドメインから実世界の作物ドメインへの農業画像生成手法を提案する。
本手法は, 果実の位置と形状を保存するために, 意味的に制約されたGAN (generative adversarial network) を用いる。
ブドウ品種検出タスクにおける増分訓練実験により,本手法から生成した画像がドメインプロセスを大幅に高速化できることが判明した。
論文 参考訳（メタデータ） (2021-08-30T16:11:59Z) - 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) - High-Throughput Image-Based Plant Stand Count Estimation Using
Convolutional Neural Networks [23.67862313758282]
早期の表現学的段階における画像ベースコーンスタンド数に対するディープラーニングに基づくアプローチであるDeepStandを提案する。
提案手法はトウモロコシの立ち位置を計測し,他の最先端の方法よりも優れる。
論文 参考訳（メタデータ） (2020-10-23T17:28:29Z) - UAV and Machine Learning Based Refinement of a Satellite-Driven
Vegetation Index for Precision Agriculture [0.8399688944263843]
本稿では,深層学習技術に基づく新しい衛星画像補正フレームワークを提案する。
無人航空機(UAV)が取得した高解像度画像から得られる情報を適切に活用する。
セラルンガ・ダルバ (Serralunga d'Alba) のブドウ園は、検証のためのケーススタディとして選ばれた。
論文 参考訳（メタデータ） (2020-04-29T18:34:48Z) - 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。