論文の概要: AI driven shadow model detection in agropv farms

• arxiv url: http://arxiv.org/abs/2304.07853v1
• Date: Sun, 16 Apr 2023 18:33:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-18 17:12:22.902516
• Title: AI driven shadow model detection in agropv farms
• Title（参考訳）: AgropvファームにおけるAI駆動影モデル検出
• Authors: Sai Paavan Kumar Dornadula, Pascal Brunet, Dr. Susan Elias
• Abstract要約: Agro-Photovoltaic (APV) は、農業と太陽の太陽光発電プロジェクトを組み合わせた農業の実践である。 影の同定は、植物の成長、微小気候、蒸発散に影響を与えるAPV環境を理解するために重要である。 我々は最先端のCNNとGANベースのニューラルネットワークを使用して、アグロPVファームの影を検出し、その効果を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agro-photovoltaic (APV) is a growing farming practice that combines agriculture and solar photovoltaic projects within the same area. This emerging market is expected to experience significant growth in the next few years, with a projected investment of $9 billion in 2030. Identifying shadows is crucial to understanding the APV environment, as they impact plant growth, microclimate, and evapotranspiration. In this study, we use state-of-the-art CNN and GAN-based neural networks to detect shadows in agro-PV farms, demonstrating their effectiveness. However, challenges remain, including partial shadowing from moving objects and real-time monitoring. Future research should focus on developing more sophisticated neural network-based shadow detection algorithms and integrating them with control systems for APV farms. Overall, shadow detection is crucial to increase productivity and profitability while supporting the environment, soil, and farmers.
• Abstract（参考訳）: Agro-Photovoltaic (APV) は、農業と太陽の太陽光発電プロジェクトを組み合わせた農業の実践である。 この新興市場は今後数年で大幅に成長すると予想され、2030年には90億ドルの投資が見込まれている。 影の同定は、植物の成長、微小気候、蒸発散に影響を与えるAPV環境を理解するために重要である。 本研究では,最先端のcnnとganベースのニューラルネットワークを用いて,農業経営における影の検出を行い,その効果を示す。 しかし、動くオブジェクトからの部分的なシャドーイングやリアルタイム監視など、課題は残る。 今後の研究は、より高度なニューラルネットワークに基づくシャドー検出アルゴリズムの開発と、それをapvファームの制御システムに統合することに焦点を当てるべきである。 全体的な陰影検出は、環境、土壌、農家を支えながら、生産性と収益性を高めるために重要である。

関連論文リスト

• SolarSAM: Building-scale Photovoltaic Potential Assessment Based on Segment Anything Model (SAM) and Remote Sensing for Emerging City [0.0]
  本研究では,リモートセンシング画像とディープラーニング技術を活用した新しいBIPV評価手法であるSolarSAMを紹介する。 プロセス中、SolarSAMはテキストプロンプトによるセマンティックセマンティックセマンティクスを使用して、さまざまなビルの屋上をセマンティクスした。 次に、このセグメント化されたデータと局所的な気候情報を用いて、Rooftop PV、Facade-Integrated PV、PVウインドウシステム向けに別々のPVモデルを開発した。 毎年のBIPV発電の可能性は市の電力消費量を2.5倍上回った。
  論文  参考訳（メタデータ） (2024-06-29T03:29:27Z)
• 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)
• Integrating Renewable Energy in Agriculture: A Deep Reinforcement Learning-based Approach [0.0]
  本稿では,農業部門における太陽光発電システム導入の意思決定を最適化するために,Deep Q-Networks (DQNs) の利用について検討する。 この研究は、インストール予算、政府のインセンティブ、エネルギー要件、システムコスト、長期的利益といった要因を考慮した情報的意思決定において、農業投資家を支援するためのDQNフレームワークを開発する。
  論文  参考訳（メタデータ） (2023-08-16T18:03:33Z)
• Unveiling the Invisible: Enhanced Detection and Analysis of Deteriorated Areas in Solar PV Modules Using Unsupervised Sensing Algorithms and 3D Augmented Reality [1.0310343700363547]
  本稿では,太陽光発電モジュールのホットスポットやスネールトレイルなどの異常を自動的に同定し,解析する基盤となる手法を提案する。 従来の診断法と修復法を変換することにより,効率を高めるだけでなく,PVシステムのメンテナンスコストを大幅に削減する。 我々の目指すのは、リアルタイムで自動ソーラーパネル検出にドローン技術を活用することで、PVのメンテナンスの有効性を大幅に向上させることです。
  論文  参考訳（メタデータ） (2023-07-11T09:27:00Z)
• 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)
• Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests [62.997667081978825]
  森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。 監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。 本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:04:12Z)
• 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)
• Temporal Prediction and Evaluation of Brassica Growth in the Field using Conditional Generative Adversarial Networks [1.2926587870771542]
  植物の成長予測は、多種多様な環境要因によって影響を受けるため、大きな課題である。 本稿では,高スループット撮像センサ測定とその自動解析を含む新しいモニタリング手法を提案する。 提案手法のコアは条件付き生成型adversarial networkに基づく新しい機械学習ベースの成長モデルである。
  論文  参考訳（メタデータ） (2021-05-17T13:00:01Z)
• Detection and Prediction of Nutrient Deficiency Stress using Longitudinal Aerial Imagery [3.5417999811721677]
  早期, 栄養不足ストレス(NDS)の精密検出は, 環境影響の精度だけでなく, 経済的にも重要である。 我々は,高分解能空中画像のシーケンスを収集し,セマンティクスセグメンテーションモデルを構築し,フィールド全体のndsの検出と予測を行う。 この研究は、リモートセンシングと農業の深層学習の発展に寄与し、経済と持続可能性に関する重要な社会的課題に対処している。
  論文  参考訳（メタデータ） (2020-12-17T15:06:15Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• 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。