論文の概要: Remote Sensing for Weed Detection and Control

• arxiv url: http://arxiv.org/abs/2410.22554v1
• Date: Tue, 29 Oct 2024 21:41:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 14:27:50.652855
• Title: Remote Sensing for Weed Detection and Control
• Title（参考訳）: 雑草検出・制御のためのリモートセンシング
• Authors: Ishita Bansal, Peder Olsen, Roberto Estevão,
• Abstract要約: ライグラスは収量と穀物の品質を大幅に低下させる可能性がある。 コストと環境への影響を制御するため、ドローンや衛星画像の雑草を検出する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Italian ryegrass is a grass weed commonly found in winter wheat fields that are competitive with winter wheat for moisture and nutrients. Ryegrass can cause substantial reductions in yield and grain quality if not properly controlled with the use of herbicides. To control the cost and environmental impact we detect weeds in drone and satellite imagery. Satellite imagery is too coarse to be used for precision spraying, but can aid in planning drone flights and treatments. Drone images on the other hand have sufficiently good resolution for precision spraying. However, ryegrass is hard to distinguish from the crop and annotation requires expert knowledge. We used the Python segmentation models library to test more than 600 different neural network architectures for weed segmentation in drone images and we map accuracy versus the cost of the model prediction for these. Our best system applies herbicides to over 99% of the weeds while only spraying an area 30% larger than the annotated weed area. These models yield large savings if the weed covers a small part of the field.
• Abstract（参考訳）: イタリアン・リーグラス(英: Italian ryegrass)は、冬の小麦畑でよく見られる草の雑草で、冬の小麦の水分や栄養分と競合する。 ライグラスは、除草剤の使用によって適切に制御されていない場合、収量や穀物の品質を著しく低下させる可能性がある。 コストと環境への影響を制御するため、ドローンや衛星画像の雑草を検出する。 衛星画像は、精密な噴霧に使用するには大きすぎるが、ドローンの飛行や治療の計画に役立てることができる。 一方、ドローン画像の精度は十分高い。 しかし、リーグラスは作物と区別することは困難であり、注釈には専門家の知識が必要である。 我々はPythonセグメンテーションモデルライブラリを使用して、ドローン画像の雑草セグメンテーションのために600以上の異なるニューラルネットワークアーキテクチャをテストする。 本システムでは, 除草剤を除草剤の99%以上に適用する一方, 除草剤を添加した除草剤よりも30%大きい地域を散布するのみである。 これらのモデルは、雑草が畑の小さな部分を覆っている場合、大きな節約をもたらす。

関連論文リスト

• Multispectral Fine-Grained Classification of Blackgrass in Wheat and Barley Crops [2.580056799681784]
  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。
  論文  参考訳（メタデータ） (2024-05-03T16:23:41Z)
• Leafy Spurge Dataset: Real-world Weed Classification Within Aerial Drone Imagery [37.51633459581306]
  侵入する植物種は、農業と農地の両方の生態に有害である。 ユープホルビア・エスラ(Euphorbia esula)のような外来植物は、東ヨーロッパから北アメリカの大部分に分布している。 米国モンタナ州西部の草原で、葉質のふわふわしたスプージの存在と不在のデータセットを収集し、商用ドローンでこれらの地域を調査した。 我々はこれらのデータに基づいて画像分類器を訓練し、我々の最高の性能モデルであるDINOv2視覚変換器は、葉の隆起を0.84精度で同定した。
  論文  参考訳（メタデータ） (2024-05-02T23:53:29Z)
• 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)
• Site-specific weed management in corn using UAS imagery analysis and computer vision techniques [0.0]
  現在、畑の雑草分布情報を考慮せずに商業トウモロコシ生産における雑草制御を行っている。 本研究の目的は,(1)無人航空システム(UAS)を用いてトウモロコシ畑における雑草の空間分布情報をマッピングし,地域特異的雑草制御(SSWC)を行うことである。 SSWCのアプローチにより、既存の方法と比較して、土地の26.23%(1.97エーカー)が化学除草剤で噴霧されるのを防ぐことができた。
  論文  参考訳（メタデータ） (2022-12-31T21:48:14Z)
• Using UAS Imagery and Computer Vision to Support Site-Specific Weed Control in Corn [0.0]
  現在、トウモロコシ畑における雑草防除は除草剤の毛布適用によって行われている。 化学物質の量を減らすために,ドローンによる高解像度画像とコンピュータビジョン技術を用いた。
  論文  参考訳（メタデータ） (2022-06-02T18:33:22Z)
• 4Weed Dataset: Annotated Imagery Weeds Dataset [1.5484595752241122]
  データセットは、コクルバー画像159枚、フォックステール画像139枚、レッドルートピッグウィード画像170枚、ジャイアントラグウィード画像150枚で構成されている。 各画像にバウンディングボックスアノテーションが作成され、画像分類とオブジェクト検出深層学習ネットワークの両方をトレーニングするためのデータセットが準備された。
  論文  参考訳（メタデータ） (2022-03-29T03:10:54Z)
• 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)
• 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)
• Counting Cows: Tracking Illegal Cattle Ranching From High-Resolution Satellite Imagery [59.32805936205217]
  牛の農業は世界の温室効果ガス排出量の8.8%を占めている。 40cmの解像度でアマゾンの衛星画像を取得し、合計28498頭の牛を含む903枚の画像のデータセットをまとめた。 本実験は,有望な結果を示し,これらの課題を解決するためのアルゴリズムとデータ収集プロセスのいずれにおいても,次のステップの重要方向を示すものである。
  論文  参考訳（メタデータ） (2020-11-14T19:07:39Z)
• 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)
• 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。