論文の概要: Multispectral Fine-Grained Classification of Blackgrass in Wheat and Barley Crops
- arxiv url: http://arxiv.org/abs/2405.02218v1
- Date: Fri, 3 May 2024 16:23:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-06 12:16:37.175321
- Title: Multispectral Fine-Grained Classification of Blackgrass in Wheat and Barley Crops
- Title（参考訳）: 小麦および大麦の黒草の多スペクトル微粒化分類
- Authors: Madeleine Darbyshire, Shaun Coutts, Eleanor Hammond, Fazilet Gokbudak, Cengiz Oztireli, Petra Bosilj, Junfeng Gao, Elizabeth Sklar, Simon Parsons,
- Abstract要約: ブラックグラス(Blackgrass)は、ヨーロッパ北西部の穀物に特に問題を引き起こす草の雑草である。
マシンビジョンとマルチスペクトルイメージングを用いて,黒草を識別するための最先端手法の有効性について検討した。
- 参考スコア（独自算出の注目度）: 2.580056799681784
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the burden of herbicide resistance grows and the environmental repercussions of excessive herbicide use become clear, new ways of managing weed populations are needed. This is particularly true for cereal crops, like wheat and barley, that are staple food crops and occupy a globally significant portion of agricultural land. Even small improvements in weed management practices across these major food crops worldwide would yield considerable benefits for both the environment and global food security. Blackgrass is a major grass weed which causes particular problems in cereal crops in north-west Europe, a major cereal production area, because it has high levels of of herbicide resistance and is well adapted to agronomic practice in this region. With the use of machine vision and multispectral imaging, we investigate the effectiveness of state-of-the-art methods to identify blackgrass in wheat and barley crops. As part of this work, we provide a large dataset with which we evaluate several key aspects of blackgrass weed recognition. Firstly, we determine the performance of different CNN and transformer-based architectures on images from unseen fields. Secondly, we demonstrate the role that different spectral bands have on the performance of weed classification. Lastly, we evaluate the role of dataset size in classification performance for each of the models trialled. We find that even with a fairly modest quantity of training data an accuracy of almost 90% can be achieved on images from unseen fields.
- Abstract（参考訳）: 除草剤抵抗性の負荷が増大し, 過度の除草剤使用による環境影響が明確になるにつれ, 雑草群管理の新たな方法が求められている。
これは特に小麦や大麦のような穀物の作物には当てはまり、主要な食料作物であり、世界の農業地帯の大部分を占める。
世界中の主要食料作物に対する雑草管理の実践が小さな改善であっても、環境とグローバルな食料安全保障の両方にかなりの恩恵をもたらすだろう。
ブラックグラス(Blackgrass)は、ヨーロッパ北西部の穀物生産地域で特に問題となる草雑草で、除草剤耐性のレベルが高く、この地域の農耕によく適応している。
機械ビジョンとマルチスペクトルイメージングを用いて,コムギや大麦の黒草を同定するための最先端手法の有効性を検討した。
この研究の一環として、黒草雑草認識のいくつかの重要な側面を評価する大規模なデータセットを提供する。
まず、見えないフィールドの画像上で、異なるCNNとトランスフォーマーベースのアーキテクチャの性能を決定する。
次に,異なるスペクトル帯域が雑草分類の性能に与える影響を実証する。
最後に,各モデルの分類性能において,データセットサイズが果たす役割について検討した。
比較的控えめな量のトレーニングデータであっても、見えないフィールドの画像では90%近い精度が達成できることがわかった。
関連論文リスト
- 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) - Precision Agriculture: Crop Mapping using Machine Learning and Sentinel-2 Satellite Imagery [5.914742040076052]
本研究では, 深層学習と画素ベース機械学習を用いて, 精密農業のためのラベンダーフィールドを正確に分別する。
我々の微調整最終モデルであるU-Netアーキテクチャは、Dice係数 0.8324 を達成することができる。
論文 参考訳（メタデータ） (2023-11-25T20:26:11Z) - HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using
Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。
本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。
本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文 参考訳（メタデータ） (2023-08-23T11:03:28Z) - Winter Wheat Crop Yield Prediction on Multiple Heterogeneous Datasets
using Machine Learning [0.2580765958706853]
冬の小麦はイギリスで最も重要な作物の1つであり、作物の収穫予測は国の食料安全保障にとって不可欠である。
いくつかの研究は、郡や農場のレベルで収穫を予測するために機械学習(ML)技術を用いてきた。
本研究の目的は,多種多種データセットを用いたMLモデルを用いて冬期のコムギ収量を予測することである。
論文 参考訳（メタデータ） (2023-06-20T23:52:39Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - Supervised learning for crop/weed classification based on color and
texture features [0.0]
本研究では,大豆および雑草の識別における色彩と食感の特徴について検討した。
無人航空機(UAV)から得られた大豆のイメージデータセットを用いて実験を行った。
論文 参考訳（メタデータ） (2021-06-19T22:31:54Z) - 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) - Extracting Pasture Phenotype and Biomass Percentages using Weakly
Supervised Multi-target Deep Learning on a Small Dataset [10.007844164505157]
乳製品産業は牛の飼料としてクローバーと草を使う。
草とクローバーのバイオマス収量の推定は賢い決定を可能にする。
データ拡張と転送学習を適用することは、異なる植物種のマルチターゲットバイオマスパーセンテージの予測に効果的です。
論文 参考訳（メタデータ） (2021-01-08T19:41:46Z) - Weed Density and Distribution Estimation for Precision Agriculture using
Semi-Supervised Learning [0.0]
雑草密度と分布のロバストな推定のための深層学習に基づく半教師付き手法を提案する。
本研究では、作物や雑草を含む前景の植生画素を、畳み込みニューラルネットワーク(CNN)に基づく教師なしセグメンテーションを用いて最初に同定する。
雑草感染地域は、細調整されたCNNを用いて識別され、手作りの特徴を設計する必要がなくなる。
論文 参考訳（メタデータ） (2020-11-04T09:35:53Z) - Pollen13K: A Large Scale Microscope Pollen Grain Image Dataset [63.05335933454068]
この研究は、1万3千以上の天体を含む最初の大規模花粉画像データセットを提示する。
本稿では, エアロバイオロジカルサンプリング, 顕微鏡画像取得, 物体検出, セグメンテーション, ラベル付けなど, 採用データ取得のステップに注目した。
論文 参考訳（メタデータ） (2020-07-09T10:33:31Z) - 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。