論文の概要: MaizeStandCounting (MaSC): Automated and Accurate Maize Stand Counting from UAV Imagery Using Image Processing and Deep Learning

• arxiv url: http://arxiv.org/abs/2510.07580v1
• Date: Wed, 08 Oct 2025 21:56:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.751449
• Title: MaizeStandCounting (MaSC): Automated and Accurate Maize Stand Counting from UAV Imagery Using Image Processing and Deep Learning
• Title（参考訳）: MaizeStandCounting (MaSC):画像処理と深層学習によるUAV画像からの精度の高い行列数の自動生成
• Authors: Dewi Endah Kharismawati, Toni Kazic,
• Abstract要約: 低コストUAVで取得したRGB画像から, 自動メイズ育苗スタンドのロバストなアルゴリズムであるMaizeStandCounting(MaSC)を提案する。 MaSC は,(1) モザイク画像をパッチに分割し,(2) 生映像フレームをホモグラフィ行列でアライメントする。 MaSCは雑草や他の植生と雑草を区別し、検出の空間分布に基づいて行と範囲のセグメンテーションを行い、正確な行ワイドカウントを生成する。
• 参考スコア（独自算出の注目度）: 0.28647133890966986
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate maize stand counts are essential for crop management and research, informing yield prediction, planting density optimization, and early detection of germination issues. Manual counting is labor-intensive, slow, and error-prone, especially across large or variable fields. We present MaizeStandCounting (MaSC), a robust algorithm for automated maize seedling stand counting from RGB imagery captured by low-cost UAVs and processed on affordable hardware. MaSC operates in two modes: (1) mosaic images divided into patches, and (2) raw video frames aligned using homography matrices. Both modes use a lightweight YOLOv9 model trained to detect maize seedlings from V2-V10 growth stages. MaSC distinguishes maize from weeds and other vegetation, then performs row and range segmentation based on the spatial distribution of detections to produce precise row-wise stand counts. Evaluation against in-field manual counts from our 2024 summer nursery showed strong agreement with ground truth (R^2= 0.616 for mosaics, R^2 = 0.906 for raw frames). MaSC processed 83 full-resolution frames in 60.63 s, including inference and post-processing, highlighting its potential for real-time operation. These results demonstrate MaSC's effectiveness as a scalable, low-cost, and accurate tool for automated maize stand counting in both research and production environments.
• Abstract（参考訳）: 正確なトウモロコシスタンド数は、作物管理と研究、収量予測、植樹密度最適化、発芽問題の早期発見に不可欠である。 手動カウントは、特に大きなフィールドや可変フィールドで、労働集約的で、遅く、エラーを起こしやすい。 MaizeStandCounting (MaSC) は,低コストUAVで取得し,安価なハードウェアで処理したRGB画像から,自動メイズ苗台を数える頑健なアルゴリズムである。 MaSC は,(1) モザイク画像をパッチに分割し,(2) 生映像フレームをホモグラフィ行列でアライメントする。 どちらのモードも、V2-V10成長段階からトウモロコシの苗を検出するために訓練された軽量のYOLOv9モデルを使用している。 MaSCは雑草や他の植生と雑草を区別し、検出の空間分布に基づいて行と範囲のセグメンテーションを行い、正確な行ワイドカウントを生成する。 R^2=0.616, R^2=0.906, R^2=0.906)。 MASCは推論や後処理を含む83のフル解像度フレームを60.63秒で処理し、リアルタイム操作の可能性を強調した。 これらの結果から,MASCは,研究環境と生産環境の両方において,自動メイズスタンドをカウントするための,スケーラブルで低コストかつ高精度なツールとしての有効性を示す。

関連論文リスト

• Maize Seedling Detection Dataset (MSDD): A Curated High-Resolution RGB Dataset for Seedling Maize Detection and Benchmarking with YOLOv9, YOLO11, YOLOv12 and Faster-RCNN [0.28647133890966986]
  スタンドカウントは、植物が発芽した数を決定し、再移植や入力の調整といったタイムリーな決定を導く。 実生苗数計測のための高品質な航空画像データセットであるMSDDを導入し,早稲作モニタリング,収量予測,現地管理に応用した。 MSDDには、様々な成長段階、植林設備、土壌タイプ、照明条件、カメラアングル、密度の3つのクラス・シングル、ダブル、トリプルの植物が含まれる。
  論文  参考訳（メタデータ） (2025-09-18T17:41:59Z)
• MaizeEar-SAM: Zero-Shot Maize Ear Phenotyping [0.9659487278134938]
  エーカー当たりの穀物収量は、エーカー当たりの植物数、植物当たりの耳数、耳当たりの核数、および平均核重量を乗じることで計算される。 これら2つの特性を測定する従来の手作業の手法は時間を要するため、大規模なデータ収集が制限される。 提案手法は多種多様なトウモロコシの耳にまたがる1列あたりのカーネル数を同定する。
  論文  参考訳（メタデータ） (2025-02-19T03:18:29Z)
• 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)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Transferring learned patterns from ground-based field imagery to predict UAV-based imagery for crop and weed semantic segmentation in precision crop farming [3.95486899327898]
  雑草の区分けのために,UAVのフィールド画像と空中画像の両方を予測できる深層畳み込みネットワークを開発した。 ネットワーク学習プロセスは、浅い層と深い層のフィーチャーマップによって視覚化される。 この研究は、深層畳み込みニューラルネットワークが、フィールド画像と空中画像の両方から雑草を分類するために使用できることを示した。
  論文  参考訳（メタデータ） (2022-10-20T19:25:06Z)
• 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)
• Image analysis for automatic measurement of crustose lichens [0.0]
  地層は、特に最近の地質学的堆積物や考古学的構造において、年代推定器としてよく使われている。 現在の自動化されていない手作業のキッチンと測定は、時間と手間のかかるプロセスである。 本研究は, 平らな岩盤表面のライチェンタルリを効率よく識別するワークフローと画像取得・処理ツールを提案する。
  論文  参考訳（メタデータ） (2022-03-01T23:11:59Z)
• WheatNet: A Lightweight Convolutional Neural Network for High-throughput Image-based Wheat Head Detection and Counting [12.735055892742647]
  本研究では,小麦頭数を正確にかつ効率的に計算し,意思決定のためのリアルタイムデータ収集を支援する新しいディープラーニングフレームワークを提案する。 モデルコムギ網とよばれ,小麦畑の幅広い環境条件において,我々のアプローチが頑健かつ正確であることを実証する。 提案手法は, 小麦頭部計数タスクにおけるMAEとRMSEの3.85と5.19をそれぞれ達成し, 他の最先端手法に比べてパラメータが有意に少ない。
  論文  参考訳（メタデータ） (2021-03-17T02:38:58Z)
• 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)

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。