論文の概要: Machine Learning Techniques for Estimating Soil Moisture from Mobile Captured Images

• arxiv url: http://arxiv.org/abs/2303.11527v1
• Date: Tue, 21 Mar 2023 01:22:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-22 16:57:13.338919
• Title: Machine Learning Techniques for Estimating Soil Moisture from Mobile Captured Images
• Title（参考訳）: 移動画像からの土壌水分推定のための機械学習技術
• Authors: Muhammad Riaz Hasib Hossain and Muhammad Ashad Kabir
• Abstract要約: 本研究は,土壌画像から土壌水分(SM)を推定するための機械学習(ML)技術を解析することを目的とする。 MLを利用してSMを予測するスマートフォンカメラの可能性を示す。 将来、ソフトウェア開発者は、正確な、簡単で、迅速なSM推定のための研究結果に基づいて、モバイルアプリケーションを開発することができる。
• 参考スコア（独自算出の注目度）: 1.7513645771137178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise Soil Moisture (SM) assessment is essential in agriculture. By understanding the level of SM, we can improve yield irrigation scheduling which significantly impacts food production and other needs of the global population. The advancements in smartphone technologies and computer vision have demonstrated a non-destructive nature of soil properties, including SM. The study aims to analyze the existing Machine Learning (ML) techniques for estimating SM from soil images and understand the moisture accuracy using different smartphones and various sunlight conditions. Therefore, 629 images of 38 soil samples were taken from seven areas in Sydney, Australia, and split into four datasets based on the image-capturing devices used (iPhone 6s and iPhone 11 Pro) and the lighting circumstances (direct and indirect sunlight). A comparison between Multiple Linear Regression (MLR), Support Vector Regression (SVR), and Convolutional Neural Network (CNN) was presented. MLR was performed with higher accuracy using holdout cross-validation, where the images were captured in indirect sunlight with the Mean Absolute Error (MAE) value of 0.35, Root Mean Square Error (RMSE) value of 0.15, and R^2 value of 0.60. Nevertheless, SVR was better with MAE, RMSE, and R^2 values of 0.05, 0.06, and 0.96 for 10-fold cross-validation and 0.22, 0.06, and 0.95 for leave-one-out cross-validation when images were captured in indirect sunlight. It demonstrates a smartphone camera's potential for predicting SM by utilizing ML. In the future, software developers can develop mobile applications based on the research findings for accurate, easy, and rapid SM estimation.
• Abstract（参考訳）: 精密土壌水分評価(sm)は農業に不可欠である。 SMのレベルを理解することで、世界の人口の食糧生産やその他のニーズに大きな影響を及ぼす収量灌水計画を改善することができる。 スマートフォン技術とコンピュータビジョンの進歩は、SMを含む土壌特性の非破壊的な性質を示している。 本研究の目的は、土壌画像からSMを推定する既存の機械学習(ML)技術を分析し、異なるスマートフォンと様々な日光条件を用いて水分の精度を理解することである。 そのため、オーストラリアのシドニーの7地域から38の土壌サンプルの629枚の画像が撮影され、撮影装置(iPhone 6sとiPhone 11 Pro)と照明状況(間接日光)に基づいて4つのデータセットに分割された。 複数線形回帰(MLR)、サポートベクトル回帰(SVR)、畳み込みニューラルネットワーク(CNN)の比較を行った。 MLRはホールドアウトクロスバリデーションを用いて高い精度で撮影され、画像は平均絶対誤差(MAE)値が0.35、ルート平均角誤差(RMSE)値が0.15、R^2値が0.60で間接日光で撮影された。 それにもかかわらず、svrは10倍のクロスバリデーションでは mae, rmse, r^2 の値が 0.05, 0.06, 0.96 であり、間接日光で撮像された画像では 022, 0.06, 0.95 であった。 MLを利用してSMを予測するスマートフォンカメラの可能性を示す。 将来、ソフトウェア開発者は、精度、容易、迅速なsm推定のための研究結果に基づいて、モバイルアプリケーションを開発することができる。

関連論文リスト

• Accelerating Domain-Aware Electron Microscopy Analysis Using Deep Learning Models with Synthetic Data and Image-Wide Confidence Scoring [0.0]
  我々は物理に基づく合成画像とデータ生成装置を作成し、その結果、同等の精度(0.86)、リコール(0.63)、F1スコア(0.71)、エンジニアリング特性予測(R2=0.82)を実現する機械学習モデルを得た。 本研究は,合成データがMLの人間依存を排除し,画像毎に多くの特徴を検出する必要がある場合に,ドメイン認識の手段を提供することを示す。
  論文  参考訳（メタデータ） (2024-08-02T20:15:15Z)
• Novel View Synthesis with Neural Radiance Fields for Industrial Robot Applications [3.502040516679817]
  本稿では,産業用ロボットにおけるニューラル・ラジアンス・フィールド(NeRF)の可能性を評価する。 産業用ロボットのエンドエフェクタに取り付けられたカメラで入力画像をキャプチャし、ロボットキネマティクスに基づいて正確なカメラポーズを計測する。 そこで本研究では,これらを基礎的真実と比較し,アンサンブル法に基づく内部品質尺度を計算することによって,新たな視点の質を考察する。
  論文  参考訳（メタデータ） (2024-05-07T14:22:32Z)
• Delving Deeper into Data Scaling in Masked Image Modeling [145.36501330782357]
  視覚認識のためのマスク付き画像モデリング(MIM)手法のスケーリング能力に関する実証的研究を行った。 具体的には、Webで収集したCoyo-700Mデータセットを利用する。 我々のゴールは、データとモデルのサイズの異なるスケールでダウンストリームタスクのパフォーマンスがどのように変化するかを調べることです。
  論文  参考訳（メタデータ） (2023-05-24T15:33:46Z)
• VR-LENS: Super Learning-based Cybersickness Detection and Explainable AI-Guided Deployment in Virtual Reality [1.9642496463491053]
  本研究は、サイバーシック検出MLモデルを開発するための、説明可能な人工知能(XAI)ベースのフレームワークであるVR-LENSを提案する。 我々はまず,サイバーシック検出のための新しいスーパーラーニングベースのアンサンブルMLモデルを開発した。 本手法は, 眼球運動, プレイヤー位置, ガルバニックスキン/ハートレート応答を, 統合センサ, ゲームプレイ, 生体生理学的データセットの最も重要な特徴として同定した。
  論文  参考訳（メタデータ） (2023-02-03T20:15:51Z)
• Towards Multimodal Multitask Scene Understanding Models for Indoor Mobile Agents [49.904531485843464]
  本稿では,現実世界の屋内環境におけるラベル付きデータの不十分,あるいは不可能,といった主な課題について論じる。 MMISM (Multi-modality input Multi-task output Indoor Scene Understanding Model) について述べる。 MMISMは、RGB画像だけでなく、スパースライダーポイントを入力と3Dオブジェクト検出、深さ完了、人間のポーズ推定、セマンティックセグメンテーションを出力タスクとみなしている。 MMISMはシングルタスクモデルよりも同等かそれ以上の性能を示す。
  論文  参考訳（メタデータ） (2022-09-27T04:49:19Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Skin Cancer Diagnostics with an All-Inclusive Smartphone Application [2.840144824279212]
  ポータブル・在宅メラノーマ診断システムの開発には大きな関心がある。 本稿では,画像キャプチャ機能と事前処理とセグメンテーションを組み合わせたスマートフォンアプリケーションを提案する。 本手法は,良性黒色腫症例と良性黒色腫症例との鑑別において,軽量でユーザフレンドリで信頼性の高い手法である。
  論文  参考訳（メタデータ） (2022-05-25T02:02:08Z)
• 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)
• 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)
• Fusing Optical and SAR time series for LAI gap filling with multioutput Gaussian processes [6.0122901245834015]
  農地上の永久雲は、作物の生育の重要な段階を隠蔽し、信頼できない収量予測をもたらす。 SAR(Synthetic Aperture Radar)は、この制限を克服できるオールウェザー画像を提供する。 本稿では,マルチセンサ時系列間の統計的関係を自動的に学習する機械学習手法であるMOGP回帰(Multi-Output Gaussian Process)を提案する。
  論文  参考訳（メタデータ） (2020-12-05T10:36:45Z)

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。