論文の概要: Accurate Crop Yield Estimation of Blueberries using Deep Learning and Smart Drones

• arxiv url: http://arxiv.org/abs/2501.02344v1
• Date: Sat, 04 Jan 2025 17:45:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:07:24.512686
• Title: Accurate Crop Yield Estimation of Blueberries using Deep Learning and Smart Drones
• Title（参考訳）: 深層学習とスマートドローンを用いたブルーベリーの正確な作物収量推定
• Authors: Hieu D. Nguyen, Brandon McHenry, Thanh Nguyen, Harper Zappone, Anthony Thompson, Chau Tran, Anthony Segrest, Luke Tonon,
• Abstract要約: コンピュータビジョンを備えたスマートドローンを用いて、より正確な果実数と収量推定を行うAIパイプラインを提案する。 コアコンポーネントは、YOLOディープラーニングアーキテクチャに基づく2つのオブジェクト検出モデルである。 我々は、異なるサンプリング戦略を用いてブルーベリーフィールドをマップアウトするためのモデルをデプロイする方法を説明します。
• 参考スコア（独自算出の注目度）: 5.586392657005597
• License:
• Abstract: We present an AI pipeline that involves using smart drones equipped with computer vision to obtain a more accurate fruit count and yield estimation of the number of blueberries in a field. The core components are two object-detection models based on the YOLO deep learning architecture: a Bush Model that is able to detect blueberry bushes from images captured at low altitudes and at different angles, and a Berry Model that can detect individual berries that are visible on a bush. Together, both models allow for more accurate crop yield estimation by allowing intelligent control of the drone's position and camera to safely capture side-view images of bushes up close. In addition to providing experimental results for our models, which show good accuracy in terms of precision and recall when captured images are cropped around the foreground center bush, we also describe how to deploy our models to map out blueberry fields using different sampling strategies, and discuss the challenges of annotating very small objects (blueberries) and difficulties in evaluating the effectiveness of our models.
• Abstract（参考訳）: 我々は、コンピュータビジョンを備えたスマートドローンを用いて、より正確な果実数を取得し、フィールドにおけるブルーベリーの数を推定するAIパイプラインを提案する。 コアコンポーネントは、YOLOディープラーニングアーキテクチャに基づく2つのオブジェクト検出モデルである。低高度と異なる角度で撮影された画像からブルーベリーの茂みを検出できるBush Modelと、茂みで見える個々のベリーを検出できるBerry Modelだ。 どちらのモデルも、ドローンの位置をインテリジェントに制御することで、より正確な収穫量を推定できる。 収集した画像が前景の茂みの周りで収集された場合の精度やリコールの精度が良好であるモデルに対して実験結果を提供するとともに、異なるサンプリング戦略を用いてブルーベリー畑をマップアウトする方法についても述べ、非常に小さなオブジェクト(ブルーベリー)を注釈付けすることの難しさと、モデルの有効性を評価することの難しさについて論じる。

関連論文リスト

• Plantation Monitoring Using Drone Images: A Dataset and Performance Review [2.4936576553283287]
  RGBカメラを搭載した小型で安価なドローンは、農地の高解像度画像を撮影することができる。 既存の自動プランテーションモニタリングの方法は、主に衛星画像に基づいている。 ドローン画像を用いたプランテーション型健康モニタリングシステムを提案する。
  論文  参考訳（メタデータ） (2025-02-12T09:21:16Z)
• Coconut Palm Tree Counting on Drone Images with Deep Object Detection and Synthetic Training Data [5.492715335713603]
  本研究では、リアルタイム物体検出装置であるYOLOを用いて、ガーナの農業用ドローンの映像からココナッツヤシの木を特定し、数えた。 YOLOを少ないデータで最適化するために、モデルトレーニングと検証のために合成画像が作成された。
  論文  参考訳（メタデータ） (2024-12-16T16:33:28Z)
• Agtech Framework for Cranberry-Ripening Analysis Using Vision Foundation Models [1.5728609542259502]
  航空画像と地上画像を用いたクランベリー作物の熟成過程を特徴付ける枠組みを開発した。 この作品はこの種の最初のものであり、クランベリーやワインブドウ、オリーブ、ブルーベリー、トウモロコシなど他の作物に将来的な影響を及ぼす。
  論文  参考訳（メタデータ） (2024-12-12T22:03:33Z)
• Vision-Based Cranberry Crop Ripening Assessment [1.8434042562191815]
  この研究は、コンピュータビジョンを用いた熟成の定量的評価において、最初のものである。 ワインのブドウ、オリーブ、ブルーベリー、トウモロコシなどクランベリー以外の作物にも影響がある。
  論文  参考訳（メタデータ） (2023-08-31T14:58:11Z)
• ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
  本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。 本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。 マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-05-03T13:24:06Z)
• Robustifying the Multi-Scale Representation of Neural Radiance Fields [86.69338893753886]
  実世界の画像の両問題を克服するために,頑健なマルチスケールニューラルラジアンス場表現手法を提案する。 提案手法は,NeRFにインスパイアされたアプローチを用いて,マルチスケール画像効果とカメラ位置推定問題に対処する。 例えば、日常的に取得したマルチビュー画像からオブジェクトの正確な神経表現を行うためには、カメラの正確な位置推定が不可欠であることを示す。
  論文  参考訳（メタデータ） (2022-10-09T11:46:45Z)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• SurroundDepth: Entangling Surrounding Views for Self-Supervised Multi-Camera Depth Estimation [101.55622133406446]
  本研究では,複数の周囲からの情報を組み込んだSurroundDepth法を提案し,カメラ間の深度マップの予測を行う。 具体的には、周囲のすべてのビューを処理し、複数のビューから情報を効果的に融合するクロスビュー変換器を提案する。 実験において,本手法は,挑戦的なマルチカメラ深度推定データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-04-07T17:58:47Z)
• 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)
• Behind the leaves -- Estimation of occluded grapevine berries with conditional generative adversarial networks [3.308833414816073]
  本手法を適用した後のベリー数の推定値は,手動で数えた基準値に近い。 ベリー数に因子を適用するのとは対照的に,本手法は目に見えるベリーの出現に直接関与することにより,局所的な条件に適応する。
  論文  参考訳（メタデータ） (2021-05-21T12:57:48Z)
• Wide-angle Image Rectification: A Survey [86.36118799330802]
  広角画像は、基礎となるピンホールカメラモデルに反する歪みを含む。 これらの歪みを補正することを目的とした画像修正は、これらの問題を解決することができる。 本稿では、異なるアプローチで使用されるカメラモデルについて、詳細な説明と議論を行う。 次に,従来の幾何学に基づく画像修正手法と深層学習法の両方について検討する。
  論文  参考訳（メタデータ） (2020-10-30T17:28:40Z)

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。