論文の概要: AGRICAM: A Track-Mounted Crop Pollination Monitoring Robot
- arxiv url: http://arxiv.org/abs/2608.29237v1
- Date: Sat, 29 Aug 2026 12:49:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.895936
- Title: AGRICAM: A Track-Mounted Crop Pollination Monitoring Robot
- Title（参考訳）: AGRICAM: 追尾型作物選別監視ロボット
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.4609543125371354
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Insect pollination is critical for global food production, yet monitoring pollinators at commercial farm scale remains a challenge. Recent advances in computer vision and deep learning have enabled detailed analysis of pollinator behaviour, but monitoring must trade-off detail against spatial coverage and human or technological resources. This paper presents the Automated Guided Robot for Insect and Crop Activity Monitoring (AGRICAM), a purpose-built robotic system designed to meet the requirements of large-scale pollination monitoring in protected cropping systems. AGRICAM operates autonomously on low-cost, easily installed track for movement along crop rows, without disrupting farm operations or insect behaviour. The platform integrates two RGB cameras, microclimate sensors, GPS and RFID modules, motion sensors, and 4G cellular network connectivity for data transmission. A web interface enables remote device configuration and scheduling. The system autonomously captures video and image data of insects' locations and local environmental conditions. These are transferred to the cloud and analysed using computer vision models to quantify pollinator visitation and spatio-temporal activity variation. We deployed the system on a commercial blueberry farm to demonstrate and test its capability. It successfully mapped insect pollination patterns across 80 m long industrial polytunnels over 30 hours. This data enabled spatial analyses of insect activity we used to confirm a uniform pollinator distribution within polytunnels, as desired by the farm management team. The data also highlighted variation of insect activity associated with time of day and microclimate. AGRICAM therefore has been shown to be a scalable, automated crop pollination monitor that can support data-driven decisions to enhance pollination management, thereby improving crop productivity and food security.
- Abstract（参考訳）: 昆虫の受粉は世界の食料生産にとって重要であるが、商業的農業規模での受粉者のモニタリングは依然として課題である。
近年のコンピュータビジョンと深層学習の進歩により、受粉者の行動の詳細な分析が可能となったが、監視には空間的カバレッジや人的・技術資源とのトレードオフが求められる。
本稿では,保護収穫システムにおける大規模受粉監視の要件を満たすために開発されたロボットシステムであるAGRICAM(Automated Guided Activity Monitoring for Insect and Crop Activity Monitoring)を提案する。
AGRICAMは、農作業や昆虫の行動に支障をきたすことなく、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軌道上で自律的に動作している。
プラットフォームには2つのRGBカメラ、マイクロ気候センサー、GPSとRFIDモジュール、モーションセンサー、データ伝送のための4Gセルネットワーク接続が組み込まれている。
Webインターフェースは、リモートデバイスの設定とスケジューリングを可能にする。
このシステムは、昆虫の位置と環境条件の映像と画像を自律的にキャプチャする。
これらはクラウドに転送され、コンピュータビジョンモデルを用いて分析され、受粉者の訪問と時空間活動の変動を定量化する。
私たちはこのシステムを商用ブルーベリー農場に展開し、その能力の実証と試験を行った。
30時間にわたって80mの工業用多孔体に昆虫の受粉パターンをマッピングした。
このデータにより, 養殖管理チームから望まれるように, ポリタンネル内の受粉体分布の均一性を確認するために, 昆虫活動の空間的解析が可能となった。
このデータはまた、日中の時間と微小気候に関連する昆虫活動の変動を強調した。
そのため、AGRICAMは、データ駆動による意思決定をサポートし、受粉管理を強化し、作物の生産性と食料の安全性を向上させる、スケーラブルで自動的な受粉モニターであることが示されている。
関連論文リスト
- SkyDrive: Learning to Drive in a New City from Aerial Traffic Monitoring [69.91458772455071]
emphSkyDriveは、ドローンベースのトラフィック監視を使用して、新しい環境における自律運転エージェントの効率的な監視を提供するフレームワークである。
以上の結果から,航空交通監視は,新都市における自律走行システムに適応するための,効率的かつスケーラブルなデータソースであることが示唆された。
論文 参考訳（メタデータ） (2026-08-25T20:47:09Z) - Design and Evaluation of an AI-Enabled Cloud-Edge Architecture for Connected Precision Agriculture Farms [0.28312565521926425]
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。
論文 参考訳（メタデータ） (2026-08-04T15:25:02Z) - An IoT-Based Smart Plant Monitoring and Irrigation System with Real-Time Environmental Sensing, Automated Alerts, and Cloud Analytics [0.0]
本稿では,IoTを用いたスマート植物モニタリングシステムを提案する。
複数の環境センサと自動灌水とクラウド分析を統合している。
総実装費用は45.20ドルであり、精度の高い農業とスマート農業のための安価でスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2026-01-22T10:33:31Z) - Decentralized Vision-Based Autonomous Aerial Wildlife Monitoring [55.159556673975544]
野生生物モニタリングのための分散視覚に基づくマルチクワッドロータシステムを提案する。
我々のアプローチは、その自然生息地における大型種のロバスト同定と追跡を可能にする。
論文 参考訳（メタデータ） (2025-08-20T20:05:05Z) - Wandering around: A bioinspired approach to visual attention through object motion sensitivity [40.966228784674115]
アクティブビジョンは動的視覚認識を可能にし、コンピュータビジョンにおける静的フィードフォワードアーキテクチャの代替を提供する。
哺乳類の網膜に触発されたイベントベースのカメラは、非同期シーンの変化を捉えてこの機能を強化する。
イベントベースのカメラが動いている間、移動物体を識別するためには、エージェントは物体の動きのセグメンテーション機構を必要とする。
本研究は、物体の運動感度を介して選択的注意を喚起するための、畳み込みニューラルネットワークバイオインスパイアされた注意システムを提案する。
論文 参考訳（メタデータ） (2025-02-10T18:16:30Z) - RoMu4o: A Robotic Manipulation Unit For Orchard Operations Automating Proximal Hyperspectral Leaf Sensing [2.1038216828914145]
葉レベルハイパースペクトル分光法は、表現型化、作物の健康のモニタリング、植物中の必須栄養素の同定、病気や水ストレスの検出に強力なツールであることが示されている。
この研究は、果樹園操作のためのロボット操作ユニットであるRoMu4oを紹介した。
論文 参考訳（メタデータ） (2025-01-18T01:04:02Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - 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) - Spatial Monitoring and Insect Behavioural Analysis Using Computer Vision
for Precision Pollination [6.2997667081978825]
昆虫は作物の最も重要な世界的な受粉者であり、自然生態系の持続可能性を維持する上で重要な役割を担っている。
現在のコンピュータビジョンは、複雑な屋外環境における昆虫追跡を空間的に制限している。
本稿では,昆虫数計測,昆虫の動き追跡,行動解析,受粉予測のためのマーカーレスデータキャプチャーシステムを紹介する。
論文 参考訳（メタデータ） (2022-05-10T05:11:28Z) - 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) - 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) - Perceiving Traffic from Aerial Images [86.994032967469]
本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。
UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
論文 参考訳（メタデータ） (2020-09-16T11:37:43Z)
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。