論文の概要: Towards Efficient and Intelligent Laser Weeding: Method and Dataset for Weed Stem Detection
- arxiv url: http://arxiv.org/abs/2502.06255v1
- Date: Mon, 10 Feb 2025 08:42:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-11 14:34:46.370216
- Title: Towards Efficient and Intelligent Laser Weeding: Method and Dataset for Weed Stem Detection
- Title(参考訳): 効率的な高能率・高能率レーザー除草に向けて:除草ステム検出のための方法とデータセット
- Authors: Dingning Liu, Jinzhe Li, Haoyang Su, Bei Cui, Zhihui Wang, Qingbo Yuan, Wanli Ouyang, Nanqing Dong,
- Abstract要約: 本研究は,レーザー除草における雑草認識の実証的研究としては初めてである。
我々は,雑草の検出と雑草の局在を1つのエンドツーエンドシステムに統合した。
提案システムは,既存の雑草認識システムと比較して,雑草の精度を6.7%向上し,エネルギーコストを32.3%削減する。
- 参考スコア(独自算出の注目度): 51.65457287518379
- License:
- Abstract: Weed control is a critical challenge in modern agriculture, as weeds compete with crops for essential nutrient resources, significantly reducing crop yield and quality. Traditional weed control methods, including chemical and mechanical approaches, have real-life limitations such as associated environmental impact and efficiency. An emerging yet effective approach is laser weeding, which uses a laser beam as the stem cutter. Although there have been studies that use deep learning in weed recognition, its application in intelligent laser weeding still requires a comprehensive understanding. Thus, this study represents the first empirical investigation of weed recognition for laser weeding. To increase the efficiency of laser beam cut and avoid damaging the crops of interest, the laser beam shall be directly aimed at the weed root. Yet, weed stem detection remains an under-explored problem. We integrate the detection of crop and weed with the localization of weed stem into one end-to-end system. To train and validate the proposed system in a real-life scenario, we curate and construct a high-quality weed stem detection dataset with human annotations. The dataset consists of 7,161 high-resolution pictures collected in the field with annotations of 11,151 instances of weed. Experimental results show that the proposed system improves weeding accuracy by 6.7% and reduces energy cost by 32.3% compared to existing weed recognition systems.
- Abstract(参考訳): 雑草管理は現代の農業において重要な課題であり、雑草は農作物と必須の栄養資源を競い合い、作物の収量と品質を著しく低下させる。
化学・機械的なアプローチを含む伝統的な雑草防除法は、環境影響や効率の関連など、現実的な制限がある。
新たな効果的なアプローチは、レーザービームをステムカッターとして使用するレーザー除草である。
深層学習を雑草認識に用いた研究はいくつかあるが、インテリジェントレーザー雑草への応用には包括的理解が必要である。
本研究は,レーザー除草における雑草認識の実証的研究である。
レーザ切断の効率を高め、関心の作物の損傷を避けるため、レーザビームは、雑草の根に直接向けられる。
しかし、雑草の茎検出は未発見の問題のままである。
我々は,雑草の検出と雑草の局在を1つのエンドツーエンドシステムに統合した。
提案システムを実生活シナリオで訓練し,検証するために,人間のアノテーションを用いた高品質な雑草茎検出データセットをキュレートし,構築する。
データセットは、フィールドで収集された7,161枚の高解像度画像と、11,151個の雑草のアノテーションで構成されている。
実験の結果,既存の雑草認識システムと比較して,除草精度が6.7%向上し,エネルギーコストが32.3%削減された。
関連論文リスト
- Weed Detection using Convolutional Neural Network [0.0]
我々は、農地における雑草検出に畳み込みニューラルネットワーク(CNN)を用いる。
本研究では,2種類のCNN層であるConv2dと拡張Conv2dの作物の雑草検出への応用について検討する。
提案手法は,事前学習したモデルを用いて入力画像から特徴を抽出し,その後雑草検出のために調整する。
論文 参考訳(メタデータ) (2025-02-20T08:37:23Z) - An Organic Weed Control Prototype using Directed Energy and Deep Learning [4.991748533338917]
このロボットは、雑草処理に新しい分散配列ロボット(DAR)ユニットを使用する。
このロボットは、完全に有機的でUV-Cフリーな、特許を付与されたエネルギープラントの根絶のレシピを使っている。
深層学習は、自然環境下でのダイズ畑の雑草8種を最大98%の精度で分類することができる。
論文 参考訳(メタデータ) (2024-05-31T17:47:22Z) - Semi-Supervised Weed Detection for Rapid Deployment and Enhanced Efficiency [2.8444649426160304]
本稿では,2つの主要成分からなる半教師付き雑草検出手法を提案する。
まず,異なる規模の雑草の特徴を捉えるために,マルチスケールの特徴表現手法を用いる。
第2に、トレーニング中にラベル付き画像の小さなセットを活用する適応的な擬似ラベル割り当て戦略を提案する。
論文 参考訳(メタデータ) (2024-05-12T23:34:06Z) - A Saliency-based Clustering Framework for Identifying Aberrant
Predictions [49.1574468325115]
本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。
本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。
本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
論文 参考訳(メタデータ) (2023-11-11T01:53:59Z) - A Stitch in Time Saves Nine: Detecting and Mitigating Hallucinations of
LLMs by Validating Low-Confidence Generation [76.34411067299331]
大規模な言語モデルは、しばしば信頼性を著しく損なう「ハロシン化」する傾向がある。
生成過程における幻覚を積極的に検出・緩和する手法を提案する。
提案手法は, GPT-3.5モデルの幻覚を平均47.5%から14.5%に低減する。
論文 参考訳(メタデータ) (2023-07-08T14:25:57Z) - MetaRF: Differentiable Random Forest for Reaction Yield Prediction with
a Few Trails [58.47364143304643]
本稿では,反応収率予測問題に焦点をあてる。
筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。
数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
論文 参考訳(メタデータ) (2022-08-22T06:40:13Z) - 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) - Distilling Image Classifiers in Object Detectors [81.63849985128527]
本研究では, 物体検出の事例について検討し, 標準検出器-検出器蒸留法に従わず, 分類器-検出器間知識伝達フレームワークを導入する。
特に,検知器の認識精度とローカライゼーション性能を両立させるため,分類教師を利用する手法を提案する。
論文 参考訳(メタデータ) (2021-06-09T16:50:10Z) - A Survey of Deep Learning Techniques for Weed Detection from Images [4.96981595868944]
既存の深層学習に基づく雑草検出・分類手法を検討する。
その結果,ほとんどの研究が教師あり学習手法を適用し,高い分類精度を達成した。
過去の実験は、大量のラベル付きデータが利用できる場合に既に高い精度を達成している。
論文 参考訳(メタデータ) (2021-03-02T02:02:24Z) - 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)
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。