論文の概要: Design and Evaluation of an AI-Enabled Cloud-Edge Architecture for Connected Precision Agriculture Farms
- arxiv url: http://arxiv.org/abs/2608.03816v1
- Date: Tue, 04 Aug 2026 15:25:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 07:04:20.73119
- Title: Design and Evaluation of an AI-Enabled Cloud-Edge Architecture for Connected Precision Agriculture Farms
- Title（参考訳）: 接続型精密農業用AI対応クラウドエッジアーキテクチャの設計と評価
- Abstract要約: 植物病は世界中で顕著な収量減少を引き起こし、トマトの作物は特に早熟、遅熟、葉型に影響を受けやすい。
この制限に対処するため、自律的な作物モニタリングのために人工知能(AI)によりクラウドエッジアーキテクチャが提案されている。
このアーキテクチャでは、IoT(Internet of Things)センサ、無人航空機(UAV)、ディープラーニング、Azure IoT Hubベースのクラウド分析、マルチプラットフォームインターフェースを統合している。
- 参考スコア（独自算出の注目度）: 0.28312565521926425
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Plant diseases cause significant yield losses worldwide, with tomato crops particularly susceptible to early blight, late blight, and leaf mold. Manual monitoring is practical only for small-scale farms and becomes unmanageable at larger scales. To tackle this limitation, an artificial intelligence (AI) enabled cloud-edge architecture is proposed for autonomous crop monitoring. This proposed architecture integrates Internet of Things (IoT) sensors, unmanned aerial vehicles (UAVs), deep learning, Azure IoT Hub-based cloud analytics, and multi-platform (mobile app, web app, and embedded edge device platform) interfaces to enable real-time detection of tomato diseases. For training and validation, we used publicly available datasets, such as PlantVillage and Kaggle. A TensorFlow model trained on a collected dataset is deployed across mobile, web, and edge-device platforms. Experimental results show detection effectiveness around 92-95%, with consistent performance over diverse environments and device platforms. The proposed system improves disease detection effectiveness, lowers dependence on manual inspection, and enables prompt interventions, thereby supporting sustainable, connected precision agriculture farms.
- Abstract（参考訳）: 植物病は世界中で顕著な収量減少を引き起こし、トマトの作物は特に早熟、遅熟、葉型に影響を受けやすい。
手動によるモニタリングは小規模の農場でのみ実用的であり、大規模では管理不能になる。
この制限に対処するため、自律的な作物モニタリングのために人工知能(AI)によりクラウドエッジアーキテクチャが提案されている。
このアーキテクチャでは、IoT(Internet of Things)センサー、無人航空機(UAV)、ディープラーニング、Azure IoT Hubベースのクラウド分析、マルチプラットフォーム(モバイルアプリ、Webアプリ、組み込みエッジデバイスプラットフォーム)インターフェースを統合して、トマト病のリアルタイム検出を可能にする。
トレーニングと検証には、PlantVillageやKaggleといった公開データセットを使用しました。
収集されたデータセットに基づいてトレーニングされたTensorFlowモデルは、モバイル、Web、エッジデバイスプラットフォームにデプロイされる。
実験の結果,92～95%程度の検出効率が得られた。
提案システムは,病状検出の有効性を向上し,手動検査への依存度を低くし,迅速な介入を可能にし,持続的かつ接続された精密農業農場を支援する。
関連論文リスト
- AGRICAM: A Track-Mounted Crop Pollination Monitoring Robot [3.4609543125371354]
AGRICAMは、保護された収穫システムにおける大規模受粉監視の要求を満たすように設計された、目的を持ったロボットシステムである。
AGRICAMは、作物列に沿って移動するための低コストで容易に設置されたトラックで自律的に動作している。
システムは、昆虫の位置と環境条件の映像と画像データをキャプチャする。
論文 参考訳（メタデータ） (2026-08-29T12:49:54Z) - Diagnosing Aerial-View Object Detectors with Foundational Image Generative Models [45.7884146182982]
本稿では,テキスト誘導生成,属性制御編集,自動属性検証を組み合わせた航空ビュー車両検出のための総合診断フレームワークを提案する。
この結果から, 制御された合成探索により, 実領域の性能ギャップを予測し, 効率的なデータ収集を導出できることが示唆された。
提案された診断フレームワークはモジュール化されており、機能の発展に伴って、代替の生成モデルや視覚言語モデルを組み込むことができる。
論文 参考訳（メタデータ） (2026-07-02T19:11:57Z) - An Annotation-to-Detection Framework for Autonomous and Robust Vine Trunk Localization in the Field by Mobile Agricultural Robots [6.966742008891213]
本稿では,ロバストなマルチモーダル検出器のトレーニングを目的とした,包括的なアノテーション検出フレームワークを提案する。
提案手法は、クロスモーダルなアノテーション転送と、早期のセンサー融合パイプラインを組み込んだものである。
本フレームワークの有効性は, 新規なブドウ園環境下でのブドウ幹検出によって実証された。
論文 参考訳（メタデータ） (2026-03-20T00:01:28Z) - Affordable Precision Agriculture: A Deployment-Oriented Review of Low-Cost, Low-Power Edge AI and TinyML for Resource-Constrained Farming Systems [0.48700127614643884]
精密農業は、人工知能を統合して、作物のモニタリング、灌水管理、資源効率を高める。
現在のシステムの大部分は依然としてクラウドベースであり、信頼性の高い接続性を必要としている。
このレビューでは、低コストで低電力の農業におけるTiny Machine Learningの進化と受容に焦点を当てたEdge AIのデプロイメントについて紹介する。
論文 参考訳（メタデータ） (2026-03-16T10:38:31Z) - Explainable AI for Diabetic Retinopathy Detection Using Deep Learning with Attention Mechanisms and Fuzzy Logic-Based Interpretability [0.0]
本稿では,雑草検出のためのハイブリッドディープラーニングフレームワークのレシピを提案する。
クラスロバスト性をバランスさせ,モデルの一般化を図るため,GANに基づく拡張手法が導入された。
実験結果は、99.33%の精度、精度、リコール、マルチベンチマークデータセット上のF1スコアで優れた結果が得られる。
論文 参考訳（メタデータ） (2025-11-20T12:17:00Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Automated Pest Detection with DNN on the Edge for Precision Agriculture [0.0]
本稿では,機械学習(ML)機能により強化された組込みシステムについて,果樹園内での害虫感染の連続検出を確実にする。
3つの異なるMLアルゴリズムがトレーニングされ、デプロイされ、プラットフォームの能力を強調している。
その結果,農夫の介入なしに無期限に害虫感染処理を自動化できることが示唆された。
論文 参考訳（メタデータ） (2021-08-01T10:17:48Z) - Pervasive AI for IoT Applications: Resource-efficient Distributed
Artificial Intelligence [45.076180487387575]
人工知能(AI)は、さまざまなモノのインターネット(IoT)アプリケーションやサービスにおいて大きなブレークスルーを目の当たりにした。
これは、感覚データへの容易なアクセスと、リアルタイムデータストリームのゼッタバイト(ZB)を生成する広帯域/ユビキタスデバイスの巨大なスケールによって駆動される。
広範コンピューティングと人工知能の合流により、Pervasive AIはユビキタスIoTシステムの役割を拡大した。
論文 参考訳（メタデータ） (2021-05-04T23:42:06Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Reliable Fleet Analytics for Edge IoT Solutions [0.0]
AIoTアプリケーションのエッジで機械学習を容易にするためのフレームワークを提案する。
コントリビューションは、大規模にフリート分析を提供するためのサービス、ツール、メソッドを含むアーキテクチャである。
本稿では,大学キャンパスの部屋でiotデバイスを用いた実験を行うことで,フレームワークの予備検証を行う。
論文 参考訳（メタデータ） (2021-01-12T11:28:43Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳（メタデータ） (2020-07-23T13:32:47Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。