論文の概要: Smart Headset, Computer Vision and Machine Learning for Efficient Prawn Farm Management

• arxiv url: http://arxiv.org/abs/2210.07436v1
• Date: Fri, 14 Oct 2022 00:39:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 16:08:06.387583
• Title: Smart Headset, Computer Vision and Machine Learning for Efficient Prawn Farm Management
• Title（参考訳）: 効率的な農業経営のためのスマートヘッドセットとコンピュータビジョンと機械学習
• Authors: Mingze Xi, Ashfaqur Rahman, Chuong Nguyen, Stuart Arnold, John McCulloch
• Abstract要約: エビの成長の不十分な理解は、財政的な利益を減少させる可能性がある。 最も一般的に採用されているサンプリングプラクティスであるキャストネットアプローチは、エビを高周波でサンプリングすることができない。 もう一つのアプローチは、農家が毎日検査する給餌トレイからエビを採取することである。 本稿では,スマートグラス,奥行きカメラ,コンピュータビジョン,機械学習を活用した新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 1.5924410290166866
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Understanding the growth and distribution of the prawns is critical for optimising the feed and harvest strategies. An inadequate understanding of prawn growth can lead to reduced financial gain, for example, crops are harvested too early. The key to maintaining a good understanding of prawn growth is frequent sampling. However, the most commonly adopted sampling practice, the cast net approach, is unable to sample the prawns at a high frequency as it is expensive and laborious. An alternative approach is to sample prawns from feed trays that farm workers inspect each day. This will allow growth data collection at a high frequency (each day). But measuring prawns manually each day is a laborious task. In this article, we propose a new approach that utilises smart glasses, depth camera, computer vision and machine learning to detect prawn distribution and growth from feed trays. A smart headset was built to allow farmers to collect prawn data while performing daily feed tray checks. A computer vision + machine learning pipeline was developed and demonstrated to detect the growth trends of prawns in 4 prawn ponds over a growing season.
• Abstract（参考訳）: エビの成長と分布を理解することは、飼料と収穫戦略の最適化に不可欠である。 エビの成長に対する不十分な理解は、例えば作物の収穫が早すぎるなど、財政的な利益の低下につながる可能性がある。 エビの成長をよく理解する鍵は、頻繁にサンプリングすることである。 しかしながら、最も一般的に採用されているサンプリングプラクティスであるキャストネットアプローチでは、高価で退屈なエビを高頻度でサンプリングすることはできない。 別の方法として、農場労働者が毎日検査する給餌トレイからエビを採取するアプローチがある。 これにより、(毎日)高い頻度で成長データ収集が可能になる。 しかし毎日手作業でエビを計測するのは大変な作業だ。 本稿では, スマートグラス, 深度カメラ, コンピュータビジョン, 機械学習を用いて, 飼料トレイからのエビの分布と成長を検出する新しい手法を提案する。 農家が毎日の給餌トレイチェックを実行しながらエビデータを集めるためのスマートヘッドセットが開発された。 コンピュータビジョン+機械学習パイプラインを開発し,成長期の4つのエビ池におけるエビの成長傾向を検出することを実証した。

関連論文リスト

• Computer Vision in the Food Industry: Accurate, Real-time, and Automatic Food Recognition with Pretrained MobileNetV2 [1.6590638305972631]
  本研究は,16643画像からなる公共食品11データセット上での食品認識において,効率的かつ高速な事前訓練されたMobileNetV2モデルを用いる。 また、データセット理解、転送学習、データ拡張、正規化、動的学習率、ハイパーパラメータチューニング、さまざまなサイズの画像の考慮など、さまざまな技術を活用して、パフォーマンスと堅牢性を高めている。 より単純な構造を持ち、深層学習領域の深部・密度モデルと比較して訓練可能なパラメータが少ない光モデルを採用するが、短時間で計算可能な精度を達成した。
  論文  参考訳（メタデータ） (2024-05-19T17:20:20Z)
• How Much You Ate? Food Portion Estimation on Spoons [63.611551981684244]
  現在の画像に基づく食品部分推定アルゴリズムは、ユーザが食事の画像を1、2回取ることを前提としている。 本稿では,静止型ユーザ向けカメラを用いて,機器上の食品の追跡を行う革新的なソリューションを提案する。 本システムは,スープやシチューなどの液状固形不均一混合物の栄養含量の推定に信頼性が高い。
  論文  参考訳（メタデータ） (2024-05-12T00:16:02Z)
• From Canteen Food to Daily Meals: Generalizing Food Recognition to More Practical Scenarios [92.58097090916166]
  DailyFood-172とDailyFood-16という2つの新しいベンチマークを、毎日の食事から食のイメージをキュレートする。 これらの2つのデータセットは、よく計算された食品画像領域から日常的な食品画像領域へのアプローチの伝達性を評価するために使用される。
  論文  参考訳（メタデータ） (2024-03-12T08:32:23Z)
• Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities [86.89427012495457]
  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)
• Towards The Creation Of The Future Fish Farm [3.8176219403982126]
  魚の養殖環境は、管理された環境の中で魚介類の世話と管理を支援する。 このセクターでは、効率を高めるために新しい技術が常に実装されている。 本研究は,将来の養殖施設の効率性と利用性を示す概念実証である。
  論文  参考訳（メタデータ） (2023-01-02T21:41:06Z)
• Towards Generating Large Synthetic Phytoplankton Datasets for Efficient Monitoring of Harmful Algal Blooms [77.25251419910205]
  有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。 現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。 合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
  論文  参考訳（メタデータ） (2022-08-03T20:15:55Z)
• Vision-Based Food Analysis for Automatic Dietary Assessment [49.32348549508578]
  本総説では, 食品画像分析, 容積推定, 栄養素抽出の3段階からなる, 統合型ビジョンベース食事評価(VBDA)の枠組みを概説する。 深層学習により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。
  論文  参考訳（メタデータ） (2021-08-06T05:46:01Z)
• Tuna Nutriment Tracking using Trajectory Mapping in Application to Aquaculture Fish Tank [0.0]
  タンク内の魚の状態を推定し、栄養素の量を調整することは、魚の給餌システムのコスト管理に重要な役割を担っている。 本手法は,養殖魚養殖場から採取したビデオの栄養状態の追跡に基づく。
  論文  参考訳（メタデータ） (2021-03-10T06:02:19Z)
• DeepCorn: A Semi-Supervised Deep Learning Method for High-Throughput Image-Based Corn Kernel Counting and Yield Estimation [20.829106642703277]
  本研究では,実時間データの収集を支援するために,フィールド内における実時間コーンカーネルをカウントする新しい深層学習手法を提案する。 DeepCornはトウモロコシの耳の画像中のトウモロコシの核の密度を推定し、推定された密度マップに基づいて核の数を予測する。 提案手法は, コーンカーネルカウントタスクにおいて, 41.36と60.27のMAEとRMSEをそれぞれ達成する。
  論文  参考訳（メタデータ） (2020-07-20T23:00:39Z)
• 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。