論文の概要: AgroSense: An Integrated Deep Learning System for Crop Recommendation via Soil Image Analysis and Nutrient Profiling

• arxiv url: http://arxiv.org/abs/2509.01344v1
• Date: Mon, 01 Sep 2025 10:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.647499
• Title: AgroSense: An Integrated Deep Learning System for Crop Recommendation via Soil Image Analysis and Nutrient Profiling
• Title（参考訳）: AgroSense:土壌画像解析と栄養プロファイルによる作物推薦のための総合的深層学習システム
• Authors: Vishal Pandey, Ranjita Das, Debasmita Biswas,
• Abstract要約: AgroSenseは、土壌画像の分類と栄養素のプロファイリングを統合して、正確で文脈的に関係のある作物のレコメンデーションを生成するディープラーニングフレームワークである。 公開されているKaggleリポジトリから抽出された10,000対のサンプルのマルチモーダルデータセットがキュレートされた。 融合モデルは精度98.0%、精度97.8%、リコール97.7%、F1スコア96.75%である。
• 参考スコア（独自算出の注目度）: 0.9974630621313314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Meeting the increasing global demand for food security and sustainable farming requires intelligent crop recommendation systems that operate in real time. Traditional soil analysis techniques are often slow, labor-intensive, and not suitable for on-field decision-making. To address these limitations, we introduce AgroSense, a deep-learning framework that integrates soil image classification and nutrient profiling to produce accurate and contextually relevant crop recommendations. AgroSense comprises two main components: a Soil Classification Module, which leverages ResNet-18, EfficientNet-B0, and Vision Transformer architectures to categorize soil types from images; and a Crop Recommendation Module, which employs a Multi-Layer Perceptron, XGBoost, LightGBM, and TabNet to analyze structured soil data, including nutrient levels, pH, and rainfall. We curated a multimodal dataset of 10,000 paired samples drawn from publicly available Kaggle repositories, approximately 50,000 soil images across seven classes, and 25,000 nutrient profiles for experimental evaluation. The fused model achieves 98.0% accuracy, with a precision of 97.8%, a recall of 97.7%, and an F1-score of 96.75%, while RMSE and MAE drop to 0.32 and 0.27, respectively. Ablation studies underscore the critical role of multimodal coupling, and statistical validation via t-tests and ANOVA confirms the significance of our improvements. AgroSense offers a practical, scalable solution for real-time decision support in precision agriculture and paves the way for future lightweight multimodal AI systems in resource-constrained environments.
• Abstract（参考訳）: 食料安全保障と持続可能な農業に対する世界的な需要の増大に対応するには、リアルタイムに機能するインテリジェントな作物推薦システムが必要である。 伝統的な土壌分析技術は、しばしば遅く、労働集約的であり、現場での意思決定には適さない。 これらの制約に対処するため,土壌画像の分類と栄養素のプロファイリングを統合した深層学習フレームワークであるAgroSenseを紹介した。 AgroSenseは、画像から土壌タイプを分類するためにResNet-18、EfficientNet-B0、Vision Transformerアーキテクチャを利用する土壌分類モジュールと、栄養レベル、pH、降水量を含む構造された土壌データを分析するためにMulti-Layer Perceptron、XGBoost、LightGBM、TabNetを使用するCrop Recommendation Moduleである。 利用可能なKaggleレポジトリから抽出した1万対のサンプル,7つのクラスにわたる約5万の土壌画像,および25,000の栄養素プロファイルのマルチモーダルデータセットを実験的に評価した。 融合モデルは精度98.0%、精度97.8%、リコール97.7%、F1スコア96.75%、RMSEとMAEはそれぞれ0.32と0.27に低下する。 アブレーション研究はマルチモーダルカップリングの重要な役割を浮き彫りにし, t-test と ANOVA による統計的検証により, 改善の重要性が確認された。 AgroSenseは、精密農業におけるリアルタイム意思決定支援のための実用的でスケーラブルなソリューションを提供し、リソース制約のある環境での、将来の軽量マルチモーダルAIシステムへの道を開く。

関連論文リスト

• Self-Consistency in Vision-Language Models for Precision Agriculture: Multi-Response Consensus for Crop Disease Management [0.0]
  本研究は,プロンプトベースのエキスパート評価と自己整合性機構を組み合わせた,農業用画像処理のためのドメイン認識フレームワークを提案する。 本稿では,(1)画像解析出力のスケーラブルな評価のために,言語モデルを専門植物病理学者として構成するプロンプトベース評価プロトコル,(2)農業画像から複数の候補応答を生成するコサイン一貫性自己投票機構を紹介する。 診断精度は82.2%から87.8%,症状分析38.9%から52.2%,治療推奨27.8%から43.3に改善した。
  論文  参考訳（メタデータ） (2025-07-08T18:32:21Z)
• Machine Learning Models for Soil Parameter Prediction Based on Satellite, Weather, Clay and Yield Data [1.546169961420396]
  AgroLensプロジェクトは、研究室のテストに頼らずに土壌の栄養レベルを予測する機械学習ベースの方法論の開発に取り組んでいる。 このアプローチは、LUCAS土壌データセットとSentinel-2衛星画像を用いた堅牢なヨーロッパモデルの開発から始まる。 Random Forests、Extreme Gradient Boosting (XGBoost)、Fully Connected Neural Networks (FCNN)といった高度なアルゴリズムが実装され、正確な栄養予測のために微調整された。
  論文  参考訳（メタデータ） (2025-03-28T09:44:32Z)
• Design and Implementation of FourCropNet: A CNN-Based System for Efficient Multi-Crop Disease Detection and Management [3.4161054453684705]
  本研究では,複数の作物の病原体を検出するための新しいディープラーニングモデルであるFourCropNetを提案する。 FourCropNetは、Grapeの99.7%、Cornの99.5%、組み合わせたデータセットの95.3%の最高精度を達成した。
  論文  参考訳（メタデータ） (2025-03-11T12:00:56Z)
• Prediction of soil fertility parameters using USB-microscope imagery and portable X-ray fluorescence spectrometry [3.431158134976364]
  本研究では, 可搬型蛍光X線分析法と土壌画像解析による土壌の高速肥育性評価について検討した。 インド東部の多様な農業気候帯から採取した1,133個の土壌サンプルを分析した。
  論文  参考訳（メタデータ） (2024-04-17T17:57:20Z)
• 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)
• AGSPNet: A framework for parcel-scale crop fine-grained semantic change detection from UAV high-resolution imagery with agricultural geographic scene constraints [1.9151076515142376]
  本稿では,農業の地理的景観と農業用大規模制約付きSCDフレームワーク(AGSPNet)を提案する。 複雑な地理的景観における作物の複数の意味変化を包含する,農業モニタリング専用のUAV画像SCDデータセット(CSCD)を作成し,導入する。 以上の結果から,AGSPNet の収穫 SCD は,他の深層学習 SCD モデルよりも,量と品質の点で一貫して優れていた。
  論文  参考訳（メタデータ） (2024-01-11T20:47:28Z)
• 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)
• 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 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)
• 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)

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。