論文の概要: Plantation Monitoring Using Drone Images: A Dataset and Performance Review
- arxiv url: http://arxiv.org/abs/2502.08233v1
- Date: Wed, 12 Feb 2025 09:21:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-13 13:48:12.747782
- Title: Plantation Monitoring Using Drone Images: A Dataset and Performance Review
- Title（参考訳）: ドローン画像を用いたプランテーションモニタリング:データセットと性能のレビュー
- Authors: Yashwanth Karumanchi, Gudala Laxmi Prasanna, Snehasis Mukherjee, Nagesh Kolagani,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.4936576553283287
- License:
- Abstract: Automatic monitoring of tree plantations plays a crucial role in agriculture. Flawless monitoring of tree health helps farmers make informed decisions regarding their management by taking appropriate action. Use of drone images for automatic plantation monitoring can enhance the accuracy of the monitoring process, while still being affordable to small farmers in developing countries such as India. Small, low cost drones equipped with an RGB camera can capture high-resolution images of agricultural fields, allowing for detailed analysis of the well-being of the plantations. Existing methods of automated plantation monitoring are mostly based on satellite images, which are difficult to get for the farmers. We propose an automated system for plantation health monitoring using drone images, which are becoming easier to get for the farmers. We propose a dataset of images of trees with three categories: ``Good health", ``Stunted", and ``Dead". We annotate the dataset using CVAT annotation tool, for use in research purposes. We experiment with different well-known CNN models to observe their performance on the proposed dataset. The initial low accuracy levels show the complexity of the proposed dataset. Further, our study revealed that, depth-wise convolution operation embedded in a deep CNN model, can enhance the performance of the model on drone dataset. Further, we apply state-of-the-art object detection models to identify individual trees to better monitor them automatically.
- Abstract（参考訳）: 樹木プランテーションの自動モニタリングは農業において重要な役割を担っている。
木の健康の不正なモニタリングは、農夫が適切な行動をとることによって、管理に関する情報的な決定を下すのに役立つ。
自動プランテーション監視にドローン画像を使用すると、監視プロセスの精度が向上するが、インドなどの発展途上国の小規模農家にとっては手頃な価格である。
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、プランテーションの健全さを詳細に分析することができる。
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おり、農家にとって入手が困難である。
本稿では,ドローン画像を用いたプランテーションの健康モニタリングシステムを提案する。
我々は,木々のイメージのデータセットを, ``Good Health", ``Stunted, ``Dead の3つのカテゴリで提案する。
CVATアノテーションツールを用いて,研究目的のデータセットに注釈を付ける。
提案したデータセット上での性能を観察するために,よく知られたCNNモデルを用いて実験を行った。
初期の低精度レベルは、提案したデータセットの複雑さを示している。
さらに,本研究では,深部CNNモデルに埋め込まれた深部畳み込み操作により,ドローンのデータセット上でのモデルの性能が向上することを明らかにした。
さらに,現状のオブジェクト検出モデルを用いて,個々の木を識別し,それらを自動で監視する。
関連論文リスト
- Accurate Crop Yield Estimation of Blueberries using Deep Learning and Smart Drones [5.586392657005597]
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。
論文 参考訳（メタデータ） (2025-01-04T17:45:29Z) - 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) - Improving Data Efficiency for Plant Cover Prediction with Label
Interpolation and Monte-Carlo Cropping [7.993547048820065]
植物群落の組成は環境変化の重要な指標であり、通常生態学的研究で分析される。
本稿では,収集した植生計画時系列のスパースラベルを中間密度・未ラベル画像に補間する手法を提案する。
また,高解像度画像の処理を効率的に行うため,モンテカルロ・クロッピングと呼ばれる新しい手法を導入する。
論文 参考訳（メタデータ） (2023-07-17T15:17:39Z) - 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) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - Agricultural Plant Cataloging and Establishment of a Data Framework from
UAV-based Crop Images by Computer Vision [4.0382342610484425]
本稿では,UAVからの収穫画像の時間的・空間的識別と識別を自動化するための手動ワークフローを提案する。
提案手法は農業におけるUAVデータの分析と解釈を大幅に改善する。
論文 参考訳（メタデータ） (2022-01-08T21:14:07Z) - 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) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳（メタデータ） (2020-12-07T16:23:13Z) - Detection and Tracking Meet Drones Challenge [131.31749447313197]
本稿では、オブジェクト検出・追跡データセットとベンチマークのレビューを行い、手動アノテーションによる大規模ドローンによるオブジェクト検出・追跡データセットの収集の課題について論じる。
当社のVisDroneデータセットは、中国北部から南部にかけての14の都市部と郊外部で収集されたものです。
本稿では,ドローンにおける大規模物体検出・追跡の現場の現状を詳細に分析し,今後の方向性を提案するとともに,課題を結論づける。
論文 参考訳（メタデータ） (2020-01-16T00:11:56Z) - 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。