論文の概要: CGMap: A Geospatially Aware Deep Learning Framework for Crop Gap Mapping Using UAV

• arxiv url: http://arxiv.org/abs/2607.18779v1
• Date: Tue, 21 Jul 2026 07:01:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.342829
• Title: CGMap: A Geospatially Aware Deep Learning Framework for Crop Gap Mapping Using UAV
• Title（参考訳）: CGMap:UAVを用いたクロップギャップマッピングのための地理的に認識された深層学習フレームワーク
• Authors: Karan Sharma, Rajiv Ranjan, Dinesh Kumar, Shashank Tamaskar,
• Abstract要約: インドでは、作物の発芽は主に視覚検査と手動計数によって監視されている。 本稿では,物体検出法とドローン画像を用いた深層学習に基づくパイプラインで,現場でのサトウキビ発芽の正確な数を評価する。
• 参考スコア（独自算出の注目度）: 4.008926457997624
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In India, crop germination is primarily monitored by visual inspection and manual counting, which are prone to errors, despite their crucial role in determining eventual yield potential. This paper highlights a deep learning based pipeline which uses object detection methods and drone imagery to assess and provide a precise count of sugarcane germination in fields. The approch uses a pre-trained AI model to find germinated plant sampling and identify gaps, also known as ``bald spots'', which restricts field productivity. The techniques used here relies on the YOLOV8 architecture, which was trained on a carefully selected dataset of UAV photos taken in various agroclimatic zones of India. Here, we bring upon a novel orientation-normalization technique that uses minimum Spanning Trees (MST) to account for variations in planting geometry, allowing for dependable row and column extraction across a variety of field layouts. By converting detected seedlings into spatial point clouds, emergence gaps can be inferred from the anticipated spacing between plants. A geospatial germination map exported in Well-Known Text (WKT) format is the end result, and it can be easily incorporated into GIS platforms used by sugar mills and agronomists to direct transplant initiatives. Timely interventions based on the insights provided by the algorithm can significantly increase yield, resulting in higher profits. Hence, support proper allocation of resources, avoid wastage, and enhance long-term sustainability.
• Abstract（参考訳）: インドでは、作物の発芽は主に視覚検査と手動の計数によって監視されており、最終的な収量ポテンシャルを決定する上で重要な役割を担っているにもかかわらず、エラーを起こしやすい。 本稿では,物体検出法とドローン画像を用いた深層学習に基づくパイプラインで,現場でのサトウキビ発芽の正確な数を評価する。 このアプリでは、トレーニング済みのAIモデルを使用して、発芽した植物サンプルを見つけ、ギャップを識別する。 YOLOV8アーキテクチャは、インドのさまざまな気候帯で撮影された、慎重に選択されたUAV写真のデータセットに基づいて訓練されたものだ。 そこで我々は,最小スパンニング木(MST)を用いた配向正規化手法を導入し,植え付け幾何学のバリエーションを考慮し,様々なフィールドレイアウトをまたいだ行と列の抽出を可能にする。 検出された苗を空間点雲に変換することにより、植物間の予想間隔から出現ギャップを推定することができる。 Well-Known Text (WKT) フォーマットでエクスポートされた地理空間発芽マップは最終結果であり,サトウキビ・アグロノミストが直接移植に使用するGISプラットフォームに容易に組み込むことができる。 アルゴリズムによって提供される洞察に基づくタイムリーな介入は、収量を大幅に増加させ、より高い利益をもたらす。 したがって、リソースの適切な割り当てをサポートし、無駄を回避し、長期的な持続可能性を高める。

関連論文リスト

• WeedsGalore: A Multispectral and Multitemporal UAV-based Dataset for Crop and Weed Segmentation in Agricultural Maize Fields [0.7421845364041001]
  雑草は作物の収穫が減少する主な原因の1つであるが、現在の雑草の慣行は、効率的で標的とした方法で雑草を管理するのに失敗している。 農作物畑における作物と雑草のセマンティックスとインスタンスセグメンテーションのための新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2025-02-18T18:13:19Z)
• Domain Generalization for Crop Segmentation with Standardized Ensemble Knowledge Distillation [42.39035033967183]
  サービスロボットは、周囲を理解し、野生のターゲットを識別するリアルタイム認識システムが必要です。 しかし、既存の方法はしばしば、新しい作物や環境条件への一般化において不足している。 本稿では,知識蒸留を用いた領域一般化手法を提案する。
  論文  参考訳（メタデータ） (2023-04-03T14:28:29Z)
• 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)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• 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)
• 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)
• 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)
• 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)
• UAV and Machine Learning Based Refinement of a Satellite-Driven Vegetation Index for Precision Agriculture [0.8399688944263843]
  本稿では,深層学習技術に基づく新しい衛星画像補正フレームワークを提案する。 無人航空機(UAV)が取得した高解像度画像から得られる情報を適切に活用する。 セラルンガ・ダルバ (Serralunga d'Alba) のブドウ園は、検証のためのケーススタディとして選ばれた。
  論文  参考訳（メタデータ） (2020-04-29T18:34:48Z)
• Deep Transfer Learning For Plant Center Localization [19.322420819302263]
  本稿では,無人航空機(UAV)を用いたRGB空中画像を用いた畑型作物の立地推定手法について検討する。 深層学習アプローチは、RGB画像で観察された植物を探索するために有望な能力を提供するが、トレーニングには大量のラベル付きデータ(地上真実)を必要とする。 そこで本研究では,限定的な地上真実データを用いて,既存モデルを新たなシナリオに移行することにより,プラント中心の推定手法を提案する。
  論文  参考訳（メタデータ） (2020-04-29T06:29:49Z)

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。