論文の概要: Computer Vision for Particle Size Analysis of Coarse-Grained Soils

• arxiv url: http://arxiv.org/abs/2311.06613v1
• Date: Sat, 11 Nov 2023 17:01:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-14 17:43:15.372876
• Title: Computer Vision for Particle Size Analysis of Coarse-Grained Soils
• Title（参考訳）: 粗粒土壌の粒子径解析のためのコンピュータビジョン
• Authors: Sompote Youwai and Parchya Makam
• Abstract要約: 粒子径解析は土壌の物理的特性を評価するための基礎技術である。 粗粒土のPSAにコンピュータビジョン(CV)とPython言語を利用する新しい手法を提案する。 本手法は,高性能カメラを不要にすることで,利便性とコスト削減を実現する。
• 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: Particle size analysis (PSA) is a fundamental technique for evaluating the physical characteristics of soils. However, traditional methods like sieving can be time-consuming and labor-intensive. In this study, we present a novel approach that utilizes computer vision (CV) and the Python programming language for PSA of coarse-grained soils, employing a standard mobile phone camera. By eliminating the need for a high-performance camera, our method offers convenience and cost savings. Our methodology involves using the OPENCV library to detect and measure soil particles in digital photographs taken under ordinary lighting conditions. For accurate particle size determination, a calibration target with known dimensions is placed on a plain paper alongside 20 different sand samples. The proposed method is compared with traditional sieve analysis and exhibits satisfactory performance for soil particles larger than 2 mm, with a mean absolute percent error (MAPE) of approximately 6%. However, particles smaller than 2 mm result in higher MAPE, reaching up to 60%. To address this limitation, we recommend using a higher-resolution camera to capture images of the smaller soil particles. Furthermore, we discuss the advantages, limitations, and potential future improvements of our method. Remarkably, the program can be executed on a mobile phone, providing immediate results without the need to send soil samples to a laboratory. This field-friendly feature makes our approach highly convenient for on-site usage, outside of a traditional laboratory setting. Ultimately, this novel method represents an initial disruption to the industry, enabling efficient particle size analysis of soil without the reliance on laboratory-based sieve analysis. KEYWORDS: Computer vision, Grain size, ARUCO
• Abstract（参考訳）: 粒子径解析(PSA)は土壌の物理的特性を評価するための基礎技術である。 しかし、占いのような伝統的な方法は時間と労力がかかる。 本研究では,コンピュータビジョン(CV)と,粗粒土のPSAのためのPythonプログラム言語を用いた携帯電話カメラを用いた新しいアプローチを提案する。 高性能カメラの必要性をなくすことで, 利便性とコスト削減を実現する。 本手法では,通常の照明条件下で撮影されたデジタル写真中の土壌粒子の検出と測定にOPENCVライブラリを使用する。 正確な粒子径決定のために、既知の寸法のキャリブレーションターゲットを20種類の異なる砂サンプルと共に平らな紙に配置する。 提案手法は従来のシーブ解析と比較し, 平均絶対誤差(MAPE)が約6%の2mm以上の土壌粒子に対して良好な性能を示した。 しかし、粒子が2mmより小さいと、メーゼが高くなり、最大60%に達する。 この制限に対処するために,より小型の土壌粒子の画像を高分解能カメラで撮影することを推奨する。 さらに,本手法の利点,限界,今後の改善の可能性についても論じる。 驚くべきことに、このプログラムは携帯電話で実行でき、土壌サンプルを実験室に送ることなくすぐに結果を提供できる。 このフィールドフレンドリーな特徴は,従来の実験室環境以外での現場利用に非常に便利である。 最終的に、この新手法は、実験室によるシーブ解析に頼らずに、土壌の効率的な粒径分析を可能にする産業の初期破壊を表す。 KEYWORDS:コンピュータビジョン、粒度、ARUCO

関連論文リスト

• SaccadeDet: A Novel Dual-Stage Architecture for Rapid and Accurate Detection in Gigapixel Images [50.742420049839474]
  SaccadeDetは、人間の目の動きにインスパイアされた、ギガピクセルレベルの物体検出のための革新的なアーキテクチャである。 PANDAデータセットを用いて評価した本手法は,最先端手法の8倍の高速化を実現する。 また、全スライドイメージングへの応用を通じて、ギガピクセルレベルの病理解析に有意な可能性を示す。
  論文  参考訳（メタデータ） (2024-07-25T11:22:54Z)
• Prediction of soil fertility parameters using USB-microscope imagery and portable X-ray fluorescence spectrometry [3.431158134976364]
  本研究では, 可搬型蛍光X線分析法と土壌画像解析による土壌の高速肥育性評価について検討した。 インド東部の多様な農業気候帯から採取した1,133個の土壌サンプルを分析した。
  論文  参考訳（メタデータ） (2024-04-17T17:57:20Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• Segment-based fusion of multi-sensor multi-scale satellite soil moisture retrievals [0.0]
  本稿では,マルチスケール土壌水分マップの作成可能性を評価するためのセグメントベース画像融合フレームワークを提案する。 提案手法は, 異なるスケールでの土壌水分推定を, ピクセルベース核融合法と比較して最大20%向上させることができた。
  論文  参考訳（メタデータ） (2022-11-29T05:23:33Z)
• You Better Look Twice: a new perspective for designing accurate detectors with reduced computations [56.34005280792013]
  BLT-netは、新しい低計算の2段階オブジェクト検出アーキテクチャである。 非常にエレガントな第1ステージを使用して、オブジェクトをバックグラウンドから分離することで、計算を削減します。 結果のイメージ提案は、高度に正確なモデルによって第2段階で処理される。
  論文  参考訳（メタデータ） (2021-07-21T12:39:51Z)
• Total Nitrogen Estimation in Agricultural Soils via Aerial Multispectral Imaging and LIBS [0.6875312133832077]
  土壌の健康指標(SHIs)を測定する方法の多くは、内部の湿式化学または分光法に基づく方法である。 我々は,土壌の総窒素 (TN) を推定するために,UAV (Universal-time Unmanned Aviation Vehicle) を用いたマルチスペクトルセンシング (UMS) ソリューションを開発した。
  論文  参考訳（メタデータ） (2021-07-06T02:37:30Z)
• 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)
• LAI Estimation of Cucumber Crop Based on Improved Fully Convolutional Network [4.8073478797551825]
  葉面積指数は、農業における作物収量推定に非常に重要です。 LAIを正確かつ効率的に測定する方法は、作物収量推定問題の鍵です。 リモートセンシング技術は地球近傍のLAI計測には適していない。 ディープラーニングは多くの分野で広く使われている。
  論文  参考訳（メタデータ） (2021-04-16T08:12:06Z)
• A learning-based view extrapolation method for axial super-resolution [52.748944517480155]
  軸光界分解能は、再焦点によって異なる深さで特徴を区別する能力を指します。 せん断エピポーラ平面画像の軸体積から新しい視点を推定する学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-03-11T07:22:13Z)
• MudrockNet: Semantic Segmentation of Mudrock SEM Images through Deep Learning [0.0]
  本稿では,GoogleのDeepLab-v3+アーキテクチャに基づく深層学習SEMセグメンテーションモデルMudrockNetを提案する。 訓練された深層学習モデルは、約90%の画素精度を取得し、試験データの予測値は、銀粒の0.6591と毛穴の0.6642の平均交点(IoU)を得た。
  論文  参考訳（メタデータ） (2021-02-05T19:38:44Z)
• 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)

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。