論文の概要: ERIC: Estimating Rainfall with Commodity Doorbell Camera for Precision Residential Irrigation

• arxiv url: http://arxiv.org/abs/2409.13104v2
• Date: Thu, 3 Oct 2024 22:06:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 11:52:12.980344
• Title: ERIC: Estimating Rainfall with Commodity Doorbell Camera for Precision Residential Irrigation
• Title（参考訳）: ERIC:精密住宅用ドアベルカメラによる降雨量の推定
• Authors: Tian Liu, Liuyi Jin, Radu Stoleru, Amran Haroon, Charles Swanson, Kexin Feng,
• Abstract要約: 現在最先端の住宅用灌水システムでは、近くの気象観測所から降水量を調整するために雨量データに頼っている。 我々は,コモディティドアベルカメラの映像から降雨を推定する機械学習モデルを用いて,費用対効果の高い灌水システムERICを開発した。
• 参考スコア（独自算出の注目度）: 1.3254080673392161
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current state-of-the-art residential irrigation systems, such as WaterMyYard, rely on rainfall data from nearby weather stations to adjust irrigation amounts. However, the accuracy of rainfall data is compromised by the limited spatial resolution of rain gauges and the significant variability of hyperlocal rainfall, leading to substantial water waste. To improve irrigation efficiency, we developed a cost-effective irrigation system, dubbed ERIC, which employs machine learning models to estimate rainfall from commodity doorbell camera footage and optimizes irrigation schedules without human intervention. Specifically, we: a) designed novel visual and audio features with lightweight neural network models to infer rainfall from the camera at the edge, preserving user privacy; b) built a complete end-to-end irrigation system on Raspberry Pi 4, costing only \$75. We deployed the system across five locations (collecting over 750 hours of video) with varying backgrounds and light conditions. Comprehensive evaluation validates that ERIC achieves state-of-the-art rainfall estimation performance ($\sim$ 5mm/day), saving 9,112 gallons/month of water, translating to \$28.56/month in utility savings. Data and code are available at https://github.com/LENSS/ERIC-BuildSys2024.git
• Abstract（参考訳）: WaterMyYardのような現在の最先端の住宅用灌水システムでは、近くの気象観測所からの降水データを利用して灌水量を調整している。 しかし,降雨量の空間分解能の限界と過局所降雨量の大きな変動により,降雨データの精度が損なわれ,かなりの水が浪費される。 そこで我々は,コモディティ・ドアベルカメラの映像から降雨を推定する機械学習モデルを用いて,人手を介さずに灌水スケジュールを最適化する,費用対効果の高い灌水システムERICを開発した。 具体的には a) エッジのカメラから降雨を推測し,ユーザのプライバシを保存するために,軽量なニューラルネットワークモデルを備えた新しい視覚的及び音声的特徴を設計すること。 b)Raspberry Pi 4上に完全なエンドツーエンド灌水システムを構築した。 システムは5つの場所(750時間以上のビデオ)に展開し、背景や光条件も様々でした。 総合的な評価は、ERICが最先端の降水量推定性能(5mm/日)を達成し、9,112ガロン/月を節約し、ユーティリティの節約に28.56ドル/月と換算する。 データとコードはhttps://github.com/LENSS/ERIC-BuildSys2024.gitで入手できる。

関連論文リスト

• TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
  本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。 その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。 提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-15T03:27:39Z)
• PAUNet: Precipitation Attention-based U-Net for rain prediction from satellite radiance data [0.0]
  本稿では,衛星放射データから降水を予測するディープラーニングアーキテクチャPAUNetを提案する。 PAUNetはU-NetとRes-Netの亜種であり、マルチバンド衛星画像の大規模コンテキスト情報を効果的にキャプチャするために設計された。 PAUNetは、ヨーロッパ各地のデータセットに基づいてトレーニングされており、ベースラインモデルよりも高い臨界成功指数(CSI)スコアで顕著な精度を示している。
  論文  参考訳（メタデータ） (2023-11-30T07:22:55Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• Optimizing Irrigation Efficiency using Deep Reinforcement Learning in the Field [4.091593765662773]
  農業用水は淡水消費に大きく寄与している。 現在の灌水システムでは、将来の土壌の水分損失は考慮されていない。 本稿では, ドライカと呼ばれる灌水効率を向上する手法を提案する。
  論文  参考訳（メタデータ） (2023-04-04T01:04:53Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• High-resolution global irrigation prediction with Sentinel-2 30m data [0.8137198664755597]
  地球規模の灌水利用の正確かつ正確な理解は、様々な気候科学の取り組みに不可欠である。 我々は,世界中の農地の30万分解能灌水予測を生成するために,新しい灌水モデルとpythonパッケージ(irrigation30)を開発した。 本モデルでは, ランダムにサンプリングされた小標本群において, 97%以上の一貫性スコアと92%の精度を達成できた。
  論文  参考訳（メタデータ） (2020-12-09T17:26:43Z)
• From Rain Generation to Rain Removal [67.71728610434698]
  雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。 降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。 総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
  論文  参考訳（メタデータ） (2020-08-08T18:56:51Z)
• Imputation of missing sub-hourly precipitation data in a large sensor network: a machine learning approach [4.648824029505978]
  本研究では,30分間隔で採取した降水データを計算するために,現在の機械学習技術を利用した2段階解析手法を提案する。 英国の37の気象観測所を調査し、この機械学習プロセスは降水データをより正確に予測する。 弱相関データセットから複雑な非線形関係をキャプチャすることは、時間以下の解像度でデータリカバリに不可欠である。
  論文  参考訳（メタデータ） (2020-03-30T10:47:18Z)
• Data Pre-Processing and Evaluating the Performance of Several Data Mining Methods for Predicting Irrigation Water Requirement [2.2108425580353774]
  近年の干ばつや人口増加は、利用可能な限られた水資源の使用に対する前例のない需要を植え付けている。 灌水地域の水管理を改善するためには,将来的な水需要の予測モデルが必要である。 データマイニングはそのようなモデルを構築するのに効果的に利用できる。
  論文  参考訳（メタデータ） (2020-03-01T05:42:04Z)

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。