論文の概要: Advancing Wheat Crop Analysis: A Survey of Deep Learning Approaches Using Hyperspectral Imaging

• arxiv url: http://arxiv.org/abs/2505.00805v1
• Date: Thu, 01 May 2025 19:07:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.801661
• Title: Advancing Wheat Crop Analysis: A Survey of Deep Learning Approaches Using Hyperspectral Imaging
• Title（参考訳）: 小麦作物分析の高度化:ハイパースペクトルイメージングを用いた深層学習手法の検討
• Authors: Fadi Abdeladhim Zidi, Abdelkrim Ouafi, Fares Bougourzi, Cosimo Distante, Abdelmalik Taleb-Ahmed,
• Abstract要約: ハイパースペクトルイメージング(HSI)は、遠隔作物の健康評価のための非破壊的で効率的な技術として登場した。 コムギの作物分析におけるHSIデータへの深層学習手法の適用の進展にもかかわらず,現在,この分野での総合的な調査は行われていない。 本稿では、ベンチマークデータセットの要約、ディープラーニング手法の進歩の追跡、多様性分類、疾患検出、収量推定といった重要な応用の分析により、このギャップに対処する。
• 参考スコア（独自算出の注目度）: 9.215134348325286
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As one of the most widely cultivated and consumed crops, wheat is essential to global food security. However, wheat production is increasingly challenged by pests, diseases, climate change, and water scarcity, threatening yields. Traditional crop monitoring methods are labor-intensive and often ineffective for early issue detection. Hyperspectral imaging (HSI) has emerged as a non-destructive and efficient technology for remote crop health assessment. However, the high dimensionality of HSI data and limited availability of labeled samples present notable challenges. In recent years, deep learning has shown great promise in addressing these challenges due to its ability to extract and analysis complex structures. Despite advancements in applying deep learning methods to HSI data for wheat crop analysis, no comprehensive survey currently exists in this field. This review addresses this gap by summarizing benchmark datasets, tracking advancements in deep learning methods, and analyzing key applications such as variety classification, disease detection, and yield estimation. It also highlights the strengths, limitations, and future opportunities in leveraging deep learning methods for HSI-based wheat crop analysis. We have listed the current state-of-the-art papers and will continue tracking updating them in the following https://github.com/fadi-07/Awesome-Wheat-HSI-DeepLearning.
• Abstract（参考訳）: 最も広く栽培され、消費される作物の1つとして、小麦は世界の食料安全保障に不可欠である。 しかし、小麦の生産は、害虫、病気、気候変動、水不足によってますます困難になり、収穫を脅かしている。 伝統的な作物モニタリング手法は労働集約的であり、初期の問題検出には効果がない。 ハイパースペクトルイメージング(HSI)は、遠隔作物の健康評価のための非破壊的で効率的な技術として登場した。 しかし,HSIデータの高次元性とラベル付きサンプルの可用性は,顕著な課題を呈している。 近年、ディープラーニングは、複雑な構造を抽出し分析する能力のために、これらの課題に対処する上で大きな可能性を示してきた。 コムギの作物分析におけるHSIデータへの深層学習手法の適用の進展にもかかわらず,現在,この分野での総合的な調査は行われていない。 本稿では、ベンチマークデータセットの要約、ディープラーニング手法の進歩の追跡、各種分類、疾患検出、収量推定などの重要な応用の分析により、このギャップに対処する。 また、HSIをベースとした小麦の作物分析に深層学習手法を活用する際の強み、限界、将来的な機会を強調している。 私たちは現在最先端の論文をリストアップし、以下のhttps://github.com/fadi-07/Awesome-Wheat-HSI-DeepLearning.comで更新の追跡を続けます。

関連論文リスト

• A Decade of Wheat Mapping for Lebanon [0.282697733014759]
  冬季のコムギ分割のための改良パイプラインを導入することにより,衛星画像から小麦畑を正確にマッピングする問題に対処する。 本手法は,コムギのセグメンテーションを精密なフィールド境界抽出と組み合わせることで,幾何的コヒーレントでセマンティックにリッチな地図を生成する。 この研究は、作物のモニタリングや収量推定など、様々な重要な研究と今後の進歩の基礎を築いた。
  論文  参考訳（メタデータ） (2025-04-15T16:31:54Z)
• BBoxCut: A Targeted Data Augmentation Technique for Enhancing Wheat Head Detection Under Occlusions [2.249916681499244]
  葉や近隣の小麦の頭部から発生する閉塞をランダムな局所化マスキングでシミュレートする新しいデータ拡張手法であるBBoxCutを提案する。 我々の増強技術は質的にも量的にも大きな改善をもたらした。 特に、この改良は、コムギの頭を取り囲むシナリオにおいて特に顕著であった。
  論文  参考訳（メタデータ） (2025-03-31T12:59:02Z)
• Self-supervised Fusarium Head Blight Detection with Hyperspectral Image and Feature Mining [6.252899116304227]
  フサリウムヘッドブライト(Fusarium Head Blight、FHB)は小麦(ダラムを含む)、大麦、オート麦、その他の小さな穀物、トウモロコシに深刻な菌類病である。 伝統的に、訓練された農学者や測量士は、労働集約的で非現実的でスケールが難しい手動の識別を行う。 ディープラーニングとハイパースペクトルイメージング(HSI)とリモートセンシング(RS)技術の進歩により、ディープラーニング、特にコナールニューラルネットワーク(CNN)が有望なソリューションとして登場してきた。
  論文  参考訳（メタデータ） (2024-08-31T09:09:02Z)
• Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
  本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。 この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
  論文  参考訳（メタデータ） (2023-12-22T15:04:20Z)
• A comprehensive review of 3D convolutional neural network-based classification techniques of diseased and defective crops using non-UAV-based hyperspectral images [0.1338174941551702]
  ハイパースペクトルイメージング(HSI)は、物体の構造と組成に関する貴重な情報を提供する非破壊的で接触のない技術である。 スペクトル範囲が広いため、HSIは作物の健康と生産性をモニタリングするためのより効果的なツールとなる。 農業技術におけるこのイメージングツールの出現により、研究者は病気や欠陥のある作物の検出に関する問題をより正確に解決することができる。
  論文  参考訳（メタデータ） (2023-06-15T18:02:53Z)
• Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities [86.89427012495457]
  我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。 本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。 我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
  論文  参考訳（メタデータ） (2023-05-03T05:16:54Z)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• 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)

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。