論文の概要: Feature extraction for plant growth estimation

• arxiv url: http://arxiv.org/abs/2606.11966v1
• Date: Wed, 10 Jun 2026 11:43:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.434368
• Title: Feature extraction for plant growth estimation
• Title（参考訳）: 植物成長推定のための特徴抽出
• Authors: Simbarashe Aldrin Ngorima, Albert Helberg, Marelie H. Davel,
• Abstract要約: 精密農業は、リアルタイムで植物の成長段階を推定する必要がある。 異なる成長段階の植物は、同様の形態的特徴を持つため、自律的な成長段階の推定が困難になる。 本稿では,成長段階推定のための2つの特徴抽出手法を提案する。
• 参考スコア（独自算出の注目度）: 2.466065249430993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precision agriculture requires the estimation of plant growth stages in real-time. When the plant growth stage is known, the wastage of resources in cultivation, such as nutrients and water, is reduced as only the required resources need to be supplied. Plants at different growth stages, however, have similar morphological features, which can make autonomous growth stage estimation difficult. This paper presents two feature extraction methods for growth stage estimation: one that uses a bank of Gabor filters and morphological operations, and the other that uses pre-trained convolutional neural networks (CNNs) and transfer learning. We test these methods on a publicly available plant growth stage dataset (``bccr-segset``) for two species, canola and radish, grown and captured under indoor conditions. The two proposed feature extraction methods are compared, using support vector machines and boosted trees as classifiers. We find that both methods are suitable for real-time applications, and that CNN features outperform the hand-crafted features, both with regard to speed and accuracy. The best system (VGG-19 features, classified with a radial basis function support vector machine) obtained an accuracy of 98.4% for both species, processing an image in 0.08 seconds.
• Abstract（参考訳）: 精密農業は、植物の成長段階をリアルタイムで推定する必要がある。 植物の成長段階が知られると、必要な資源のみを供給する必要があるため、栄養素や水などの栽培資源の浪費が減少する。 しかし、異なる成長段階の植物には同様の形態的特徴があり、自律的な成長段階の推定が困難になる可能性がある。 本稿では,成長段階推定のための特徴抽出手法として,ガボルフィルタと形態操作のバンクを用いた手法と,事前学習された畳み込みニューラルネットワーク(CNN)と伝達学習を用いた手法を提案する。 室内環境下で栽培・採集された2種の植物の成長段階データセット('bccr-segset``)を用いて,これらの手法を試験した。 2つの特徴抽出法を比較し,サポートベクターマシンと強化木を分類器として用いた。 両手法がリアルタイムアプリケーションに適していること,CNNは手作り機能よりも高速かつ精度が高いことが確認された。 最良のシステム(VGG-19、放射基底関数サポートベクターマシンに分類される)は、両方の種に対して98.4%の精度を獲得し、0.08秒で画像を処理した。

関連論文リスト

• Modeling Time-Lapse Trajectories to Characterize Cranberry Growth [0.14658400971135646]
  本稿では,微調整型視覚変換器(ViT)に基づく作物生育のモデル化手法を提案する。 植物と果実の出現の時間-ラプス進化の潜在空間を学習するために,2倍のプレテキストタスク(時間回帰とクラス予測)を用いる。 得られた2次元時間トラックは, 作物生育の解釈可能な時系列モデルを提供し, 時間とともに生育を予測し, 2) クランベリー品種の時間的差異を識別する。
  論文  参考訳（メタデータ） (2025-10-10T01:33:19Z)
• Intrinsic Explainability of Multimodal Learning for Crop Yield Prediction [36.766406330345525]
  マルチモーダル学習ネットワークを説明するために,トランスフォーマーベースモデルの本質的な説明性を活用する。 本研究は,サブフィールドレベルでの収量予測の課題に焦点を当てた。
  論文  参考訳（メタデータ） (2025-08-09T11:09:10Z)
• 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)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• Fractional Vegetation Cover Estimation using Hough Lines and Linear Iterative Clustering [3.1654720243958128]
  本稿では,ある地域に存在する植生被覆量を決定するために,新しい画像処理アルゴリズムを提案する。 提案アルゴリズムは,植生被覆推定のための信頼度の高いダウベンミア法からインスピレーションを得ている。 植物の成長に関する重要な洞察を、一定間隔で取得した画像を繰り返すと、その分析が引き起こされる。
  論文  参考訳（メタデータ） (2022-04-30T23:33:31Z)
• Adaptive Transfer Learning for Plant Phenotyping [33.28898554551106]
  植物表現の表現における現代の機械学習モデルの知識伝達可能性について検討する。 植物フェノタイピングにおける注釈付きサンプル数に影響を及ぼす従来の機械学習モデルの性能について ニューラルネットワークに基づく伝達学習モデルは植物の表現型化の性能を向上させるか?
  論文  参考訳（メタデータ） (2022-01-14T00:40:40Z)
• An Applied Deep Learning Approach for Estimating Soybean Relative Maturity from UAV Imagery to Aid Plant Breeding Decisions [7.4022258821325115]
  我々は,UAV画像の時系列を用いて,大豆の相対的成熟度を推定するための頑健で自動的なアプローチを開発した。 畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を組み合わせたエンドツーエンドハイブリッドモデルを提案する。 その結果,CNN-LSTMモデルの有効性を局所回帰法と比較した。
  論文  参考訳（メタデータ） (2021-08-02T14:53:58Z)
• Temporal Prediction and Evaluation of Brassica Growth in the Field using Conditional Generative Adversarial Networks [1.2926587870771542]
  植物の成長予測は、多種多様な環境要因によって影響を受けるため、大きな課題である。 本稿では,高スループット撮像センサ測定とその自動解析を含む新しいモニタリング手法を提案する。 提案手法のコアは条件付き生成型adversarial networkに基づく新しい機械学習ベースの成長モデルである。
  論文  参考訳（メタデータ） (2021-05-17T13:00:01Z)
• 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)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。