論文の概要: Drone-Based Multispectral Imaging and Deep Learning for Timely Detection of Branched Broomrape in Tomato Farms

• arxiv url: http://arxiv.org/abs/2509.09972v1
• Date: Fri, 12 Sep 2025 05:16:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:07.982504
• Title: Drone-Based Multispectral Imaging and Deep Learning for Timely Detection of Branched Broomrape in Tomato Farms
• Title（参考訳）: ドローンによるマルチスペクトルイメージングと深層学習によるトマト栽培における枝分かれの時間的検出
• Authors: Mohammadreza Narimani, Alireza Pourreza, Ali Moghimi, Mohsen Mesgaran, Parastoo Farajpoor, Hamid Jafarbiglu,
• Abstract要約: 本研究は、カリフォルニアのトマト産業に対する枝分かれしたブルームラップ(Phelipanche ramosa)のエスカレートする脅威に対処する。 寄生虫の主に地下のライフサイクルは早期発見を難しくするが、従来の化学制御は費用がかかり、環境に悪影響を及ぼし、しばしば効果がない。 我々は、SMOTE(Synthetic Minority Over-Sampling Technique)を用いて、ドローンベースのマルチスペクトル画像とLong Short-Term Memory (LSTM)ディープラーニングネットワークを組み合わせた。
• 参考スコア（独自算出の注目度）: 0.2770822269241974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study addresses the escalating threat of branched broomrape (Phelipanche ramosa) to California's tomato industry, which supplies over 90 percent of U.S. processing tomatoes. The parasite's largely underground life cycle makes early detection difficult, while conventional chemical controls are costly, environmentally harmful, and often ineffective. To address this, we combined drone-based multispectral imagery with Long Short-Term Memory (LSTM) deep learning networks, using the Synthetic Minority Over-sampling Technique (SMOTE) to handle class imbalance. Research was conducted on a known broomrape-infested tomato farm in Woodland, Yolo County, CA, across five key growth stages determined by growing degree days (GDD). Multispectral images were processed to isolate tomato canopy reflectance. At 897 GDD, broomrape could be detected with 79.09 percent overall accuracy and 70.36 percent recall without integrating later stages. Incorporating sequential growth stages with LSTM improved detection substantially. The best-performing scenario, which integrated all growth stages with SMOTE augmentation, achieved 88.37 percent overall accuracy and 95.37 percent recall. These results demonstrate the strong potential of temporal multispectral analysis and LSTM networks for early broomrape detection. While further real-world data collection is needed for practical deployment, this study shows that UAV-based multispectral sensing coupled with deep learning could provide a powerful precision agriculture tool to reduce losses and improve sustainability in tomato production.
• Abstract（参考訳）: この研究は、カリフォルニアのトマト産業への枝分かれしたブルームラプ(Phelipanche ramosa)のエスカレートする脅威に対処し、米国の加工トマトの90%以上を供給している。 寄生虫の主に地下のライフサイクルは早期発見を難しくするが、従来の化学制御は費用がかかり、環境に悪影響を及ぼし、しばしば効果がない。 そこで我々は,SMOTE(Synthetic Minority Over-Sampling Technique)を用いて,ドローンによるマルチスペクトル画像とLong Short-Term Memory (LSTM)ディープラーニングネットワークを組み合わせた。 カリフォルニア州ヨーロ郡ウッドランド(Woodland)のブルームラペ(Broomrape)に寄生するトマト農場で、成長日(GDD)によって決定される5つの重要な成長段階について調査を行った。 マルチスペクトル画像を用いてトマトキャノピー反射を分離した。 897 GDDでは、ボムラペは79.09パーセントの精度で検出でき、70.36パーセントのリコールは後段を統合せずに検出できた。 LSTMによる逐次成長段階の導入は検出を著しく改善した。 すべての成長段階をSMOTE拡張と統合した最高のパフォーマンスシナリオは、全体の精度88.37%、リコール95.37%を達成した。 これらの結果から,早期のほうき病検出のための時間多重スペクトル解析とLSTMネットワークの可能性が示唆された。 本研究は,UAVをベースとしたマルチスペクトルセンシングと深層学習の併用により,トマト生産における損失低減と持続可能性向上のための強力な精密農業ツールが期待できることを示す。

関連論文リスト

• Optimized Custom CNN for Real-Time Tomato Leaf Disease Detection [0.0]
  バングラデシュではトマトは主要な野菜であり、様々な料理の用途でその汎用性に評価される。 病気の早期発見は、タイムリーな介入を実行し、トマト生産の持続可能性を確保するために重要である。 従来の手動検査法は効果があるが、労働集約的であり、人的ミスを起こしやすい。 本研究では,畳み込みニューラルネットワーク(CNN)を用いた疾患自動検出システムの開発を試みた。
  論文  参考訳（メタデータ） (2025-02-23T18:27:08Z)
• WeedVision: Multi-Stage Growth and Classification of Weeds using DETR and RetinaNet for Precision Agriculture [0.0]
  本研究は対象検出モデルを用いて174クラスにわたる16種の雑草を同定・分類する。 203,567枚の画像からなる頑健なデータセットを開発した。 RetinaNetは優れた性能を示し、トレーニングセットで0.907、テストセットで0.904の平均平均精度(mAP)を達成した。
  論文  参考訳（メタデータ） (2025-02-16T20:49:22Z)
• Unsupervised deep learning for semantic segmentation of multispectral LiDAR forest point clouds [1.6633665061166945]
  本研究では,高密度レーザー走査点雲の葉木分離のための教師なし深層学習手法を提案する。 GrowSP-ForMS の平均精度は84.3%、mIoU平均交点は69.6%であった。
  論文  参考訳（メタデータ） (2025-02-10T07:58:49Z)
• Multimodal classification of forest biodiversity potential from 2D orthophotos and 3D airborne laser scanning point clouds [47.679877727066206]
  森林生物多様性の評価は生態系管理と保全に不可欠である。 深層学習に基づく2次元直視と3次元空中レーザースキャン(ALS)点群からの近距離センシングデータの融合は、森林の生物多様性ポテンシャルを確実に評価することができる。 BioVistaのデータセットは、デンマークの温帯森林から採取された44の378対のオルソフォトスとALS点雲からなる。
  論文  参考訳（メタデータ） (2025-01-03T09:42:25Z)
• Multi-growth stage plant recognition: a case study of Palmer amaranth (Amaranthus palmeri) in cotton (Gossypium hirsutum) [0.3441021278275805]
  綿花中のAmaranthus palmeriの8クラス成長段階の認識について検討した。 YOLO v3、v5、v6、v6 3.0、v7、v8から26の異なるアーキテクチャのバリエーションを比較します。 すべての成長段階のクラスを認識できるmAP@[0.5:0.95]は、v8-Xで47.34%であった。
  論文  参考訳（メタデータ） (2023-07-28T21:14:43Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• A Deep Learning Approach for Determining Effects of Tuta Absoluta in Tomato Plants [0.0]
  トマトにおけるタタ・アブソルタの効果を判定するための畳み込みニューラルネットワーク(CNN)アプローチを提案する。 CNNの事前訓練された4つのアーキテクチャは、健康とトマトの葉を含むデータセットの分類器の訓練に使用された。 Inception-V3はトマトのマツタの重症度を87.2%の精度で推定した。
  論文  参考訳（メタデータ） (2020-04-08T14:41:38Z)

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。