論文の概要: An Efficient Deep Learning-based approach for Recognizing Agricultural
Pests in the Wild
- arxiv url: http://arxiv.org/abs/2310.16991v1
- Date: Wed, 25 Oct 2023 20:42:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-27 23:25:15.054981
- Title: An Efficient Deep Learning-based approach for Recognizing Agricultural
Pests in the Wild
- Title(参考訳): 野生における農業害虫認識のための効果的な深層学習手法
- Authors: Mohtasim Hadi Rafi, Mohammad Ratul Mahjabin and Md Sabbir Rahman
- Abstract要約: 農夫が経験した最大の課題の1つは、農作物の収量で害虫と戦うことである。
これは、簡単かつ効果的に昆虫の害虫を識別することを必要とする。
我々は,それぞれに最適な方法を見出すために,様々な方法を検討する広範囲な実験を行った。
- 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: One of the biggest challenges that the farmers go through is to fight insect
pests during agricultural product yields. The problem can be solved easily and
avoid economic losses by taking timely preventive measures. This requires
identifying insect pests in an easy and effective manner. Most of the insect
species have similarities between them. Without proper help from the
agriculturist academician it is very challenging for the farmers to identify
the crop pests accurately. To address this issue we have done extensive
experiments considering different methods to find out the best method among
all. This paper presents a detailed overview of the experiments done on mainly
a robust dataset named IP102 including transfer learning with finetuning,
attention mechanism and custom architecture. Some example from another dataset
D0 is also shown to show robustness of our experimented techniques.
- Abstract(参考訳): 農家が経験する最大の課題の1つは、農作物の収量で害虫と戦うことである。
タイムリーな予防措置をとることで、容易に解決でき、経済的な損失を回避できる。
害虫を簡便かつ効果的に識別する必要がある。
ほとんどの昆虫は両者の類似性を持っている。
農学者の助けがなければ、農夫が作物の害虫を正確に特定することは非常に困難である。
この問題に対処するため,我々は,それぞれに最適な方法を見出すために,様々な方法を検討する広範囲な実験を行った。
本稿では,ip102と呼ばれるロバストなデータセットを中心に,微調整による転送学習,注意機構,カスタムアーキテクチャを含む実験の概要について述べる。
別のデータセットD0からのいくつかの例も、実験手法の堅牢性を示している。
関連論文リスト
- Deep learning powered real-time identification of insects using citizen
science data [17.13608307250744]
InsectNetは、侵入した種を識別し、きめ細かい昆虫種を識別し、挑戦的な背景において効果的に働く。
また、不確実な場合には予測を控え、シームレスな人間の介入を助長し、実用的で信頼できるツールにもなれる。
論文 参考訳(メタデータ) (2023-06-04T23:56:53Z) - Revolutionizing Agrifood Systems with Artificial Intelligence: A Survey [93.34268594812599]
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) - Spatial Monitoring and Insect Behavioural Analysis Using Computer Vision
for Precision Pollination [6.2997667081978825]
昆虫は作物の最も重要な世界的な受粉者であり、自然生態系の持続可能性を維持する上で重要な役割を担っている。
現在のコンピュータビジョンは、複雑な屋外環境における昆虫追跡を空間的に制限している。
本稿では,昆虫数計測,昆虫の動き追跡,行動解析,受粉予測のためのマーカーレスデータキャプチャーシステムを紹介する。
論文 参考訳(メタデータ) (2022-05-10T05:11:28Z) - Farmer's Assistant: A Machine Learning Based Application for
Agricultural Solutions [0.0]
我々は、これらの問題に対処するため、オープンソースの使いやすいWebアプリケーションを作成し、作物の生産を改善するのに役立ちます。
特に,作物の推薦,肥料の推薦,植物病の予知,対話型ニューズフィードを支持している。
論文 参考訳(メタデータ) (2022-04-24T19:31:10Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳(メタデータ) (2021-12-20T13:29:13Z) - What a million Indian farmers say?: A crowdsourcing-based method for
pest surveillance [0.9558392439655014]
本稿では,スマートフォン上で収集したリアルタイムファーマークエリを利用して害虫監視を行うクラウドソーシング方式を提案する。
本研究では,高時間的粒度の広い地域を包み込むことのできる害虫監視の正確かつ経済的手法であることを示した。
論文 参考訳(メタデータ) (2021-08-07T06:03:17Z) - 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) - Few-shot Partial Multi-view Learning [103.33865779721458]
本稿では,複数ショット部分的多視点学習という新しい課題を提案する。
それは、低データ体制におけるビューミス問題によるネガティブな影響を克服することに焦点を当てている。
提案手法を評価するため,広範囲な実験を行った。
論文 参考訳(メタデータ) (2021-05-05T13:34:43Z) - 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) - Weakly Supervised Learning Guided by Activation Mapping Applied to a
Novel Citrus Pest Benchmark [6.239768930024569]
統合害虫管理(Integrated pest Management)は、シトラス作物の害虫や病気による被害を予防・緩和するために最も広く用いられるプロセスである。
我々は、画像に対する関心領域を自動的に選択するために、サリエンシマップによって導かれる弱教師付き学習プロセスを設計する。
2つの大規模データセットで行った実験から,農業分野における害虫の分類と病気の分類の問題に対して,本研究の結果は非常に有望であることが明らかとなった。
論文 参考訳(メタデータ) (2020-04-22T01:26:50Z) - 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。