Fugu-MT 論文翻訳(概要): Weed Detection using Convolutional Neural Network

論文の概要: Weed Detection using Convolutional Neural Network

arxiv url: http://arxiv.org/abs/2502.14360v1
Date: Thu, 20 Feb 2025 08:37:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-21 14:27:24.981246
Title: Weed Detection using Convolutional Neural Network
Title（参考訳）: 畳み込みニューラルネットワークを用いた雑草検出
Authors: Santosh Kumar Tripathi, Shivendra Pratap Singh, Devansh Sharma, Harshavardhan U Patekar,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: In this paper we use convolutional neural networks (CNNs) for weed detection in agricultural land. We specifically investigate the application of two CNN layer types, Conv2d and dilated Conv2d, for weed detection in crop fields. The suggested method extracts features from the input photos using pre-trained models, which are subsequently adjusted for weed detection. The findings of the experiment, which used a sizable collection of dataset consisting of 15336 segments, being 3249 of soil, 7376 of soybean, 3520 grass and 1191 of broadleaf weeds. show that the suggested approach can accurately and successfully detect weeds at an accuracy of 94%. This study has significant ramifications for lowering the usage of toxic herbicides and increasing the effectiveness of weed management in agriculture.
Abstract（参考訳）: 本稿では、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。この実験では、土壌3249個、大豆7376個、草3520個、広葉雑草1191個からなる15336個のデータセットを収集した。提案手法は 94%の精度で雑草を正確に検出できる本研究は,有毒な除草剤の使用を減らし,農業における雑草管理の有効性を高めるための重要な要因である。

関連論文リスト

Towards Efficient and Intelligent Laser Weeding: Method and Dataset for Weed Stem Detection [51.65457287518379]
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。
論文参考訳（メタデータ） (2025-02-10T08:42:46Z)
Remote Sensing for Weed Detection and Control [0.0]
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。
論文参考訳（メタデータ） (2024-10-29T21:41:42Z)
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)
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)
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)
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)
A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
論文参考訳（メタデータ） (2020-12-31T18:51:17Z)
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)
Pollen13K: A Large Scale Microscope Pollen Grain Image Dataset [63.05335933454068]
この研究は、1万3千以上の天体を含む最初の大規模花粉画像データセットを提示する。本稿では, エアロバイオロジカルサンプリング, 顕微鏡画像取得, 物体検出, セグメンテーション, ラベル付けなど, 採用データ取得のステップに注目した。
論文参考訳（メタデータ） (2020-07-09T10:33:31Z)

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。