論文の概要: Advancing Cucumber Disease Detection in Agriculture through Machine Vision and Drone Technology
- arxiv url: http://arxiv.org/abs/2409.12350v1
- Date: Wed, 18 Sep 2024 22:54:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 15:14:47.191045
- Title: Advancing Cucumber Disease Detection in Agriculture through Machine Vision and Drone Technology
- Title(参考訳): 機械ビジョンとドローン技術による農業におけるCucumber病検出の促進
- Authors: Syada Tasfia Rahman, Nishat Vasker, Amir Khabbab Ahammed, Mahamudul Hasan,
- Abstract要約: 本研究では, 機械ビジョンとドローン技術を用いて, 農業におけるキュウリ病の診断方法を提案する。
この研究のバックボーンは、本物のフィールド条件下で取得されたハイパースペクトルのデータセットである。
このモデルは8つのユニークなキュウリの病気を区別する上で、87.5%の精度を達成している。
- 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: This study uses machine vision and drone technologies to propose a unique method for the diagnosis of cucumber disease in agriculture. The backbone of this research is a painstakingly curated dataset of hyperspectral photographs acquired under genuine field conditions. Unlike earlier datasets, this study included a wide variety of illness types, allowing for precise early-stage detection. The model achieves an excellent 87.5\% accuracy in distinguishing eight unique cucumber illnesses after considerable data augmentation. The incorporation of drone technology for high-resolution images improves disease evaluation. This development has enormous potential for improving crop management, lowering labor costs, and increasing agricultural productivity. This research, which automates disease detection, represents a significant step toward a more efficient and sustainable agricultural future.
- Abstract(参考訳): 本研究では, 機械ビジョンとドローン技術を用いて, 農業におけるキュウリ病の診断方法を提案する。
この研究のバックボーンは、本物のフィールド条件下で取得されたハイパースペクトルのデータセットである。
以前のデータセットとは異なり、この研究は様々な病気タイプを含んでおり、正確な早期発見を可能にした。
このモデルは,有意なデータ拡張後の8種類のキュウリ病を識別する上で,優れた87.5\%の精度を実現している。
高解像度画像のためのドローン技術の導入により、疾患評価が改善される。
この開発は、作物管理の改善、労働コストの削減、農業生産性の向上に大きな可能性を秘めている。
病気検出を自動化するこの研究は、より効率的で持続可能な農業の未来に向けた重要なステップである。
関連論文リスト
- Paddy Disease Detection and Classification Using Computer Vision Techniques: A Mobile Application to Detect Paddy Disease [0.0]
植物病は食料供給に大きな影響を与え、農家、農業に依存した経済、世界の食料安全保障に問題を引き起こします。
農業技術の発展にもかかわらず、正確な早期診断は依然として課題である。
ディープラーニングのアプリケーションは、植物病理学者を必要とせずに、病気を正確に識別するのに役立つ。
論文 参考訳(メタデータ) (2024-12-08T17:08:27Z) - Agri-LLaVA: Knowledge-Infused Large Multimodal Assistant on Agricultural Pests and Diseases [49.782064512495495]
農業分野における最初のマルチモーダル・インストラクション・フォロー・データセットを構築した。
このデータセットは、約40万のデータエントリを持つ221種類以上の害虫と病気をカバーしている。
本稿では,農業用マルチモーダル対話システムであるAgri-LLaVAを開発するための知識注入型学習手法を提案する。
論文 参考訳(メタデータ) (2024-12-03T04:34:23Z) - A Semantic Segmentation Approach on Sweet Orange Leaf Diseases Detection Utilizing YOLO [0.0]
本研究は、YOLOv8のような高度な人工知能モデルを利用して、甘いオレンジの葉の病気を診断する高度な手法を提案する。
YOLOv8はその迅速かつ正確な性能で認識され、VITはその詳細な特徴抽出能力で認識されている。
トレーニングと検証の段階では、YOLOv8の精度は80.4%、VITの精度は99.12%であった。
論文 参考訳(メタデータ) (2024-09-10T17:40:46Z) - 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) - AMaizeD: An End to End Pipeline for Automatic Maize Disease Detection [0.0]
AMaizeDは、ドローンから得られたマルチスペクトル画像を用いて、トウモロコシの作物の病気を早期に検出する自動化フレームワークである。
提案するフレームワークは,コンボリューションニューラルネットワーク(CNN)を特徴抽出器とセグメンテーション技術に組み合わせて,トウモロコシの植物とその関連疾患を同定する。
論文 参考訳(メタデータ) (2023-07-23T19:58:40Z) - Early Detection of Late Blight Tomato Disease using Histogram Oriented Gradient based Support Vector Machine [2.3210922904864955]
本研究は,トマトの遅発性病を早期に検出するための新しいスマート技術を提案する。
提案したSVMとHOGのハイブリッドアルゴリズムは,トマトの遅発性病の早期発見に有意な可能性を秘めている。
論文 参考訳(メタデータ) (2023-06-14T07:58:14Z) - Detection of healthy and diseased crops in drone captured images using
Deep Learning [0.0]
病気によって引き起こされる植物の正常な状態の破壊は、しばしば本質的な植物活動に干渉する。
ドローン画像を用いた植物病の効率的な検出のための深層学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2023-05-22T21:15:12Z) - Agave crop segmentation and maturity classification with deep learning
data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。
実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。
結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
論文 参考訳(メタデータ) (2023-03-21T03:15:29Z) - 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) - 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) - 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。