論文の概要: PlantShade: Predicting Plant Shadows for Lighting-Aware Robotic Agricultural Operation

• arxiv url: http://arxiv.org/abs/2609.21059v1
• Date: Thu, 17 Sep 2026 20:28:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.775098
• Title: PlantShade: Predicting Plant Shadows for Lighting-Aware Robotic Agricultural Operation
• Title（参考訳）: PlantShade: 照明に敏感なロボット農業運用のためのプラントシャドウ予測
• Abstract要約: 植物栽培と農業生産が国の持続可能な発展の基礎となっている。 近年のフロンティア人工知能の進歩は、作物の生産性を向上させる強力な可能性を持つ科学的農業を可能にしている。 近年のフロンティア人工知能の進歩は、作物の生産性を向上させる強力な可能性を持つ科学的農業を可能にしている。
• 参考スコア（独自算出の注目度）: 7.626457169506239
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Plant growth and agricultural production form the foundation of a country's sustainable development and directly impact human livelihoods. Recent advances in frontier artificial intelligence have enabled scientific agriculture with strong potential to improve crop productivity. In this paper, we identify the importance and inherent complexity of plant shade simulation, as shading is a critical factor influencing plant growth. To advance this field and promote broader societal benefits, we focus on two main contributions. First, we introduce a comprehensive plant growth and shade dataset covering four plant species, including soybean, tomato, sugarbeet, and strawberry. The dataset includes top-down viewpoints with a supplementary light along a circular trajectory, casting dynamic shadows across multiple growth stages and diverse observation complexities. Second, we propose generative shade simulation based on diffusion models, enabling realistic shade generation for unseen plants and supporting downstream robotic tasks such as perception, lighting control, and view planning. The model incorporates temporal conditioning to facilitate flexible shade simulation across different time stages. We conduct both quantitative and qualitative evaluations to assess model performance. This work provides a foundational study for plant-aware shade modeling and has meaningful implications for broader agricultural and robotic applications.
• Abstract（参考訳）: 植物の成長と農業生産は国の持続可能な発展の基礎となり、人間の生活に直接影響を与えている。 近年のフロンティア人工知能の進歩は、作物の生産性を向上させる強力な可能性を持つ科学的農業を可能にしている。 本稿では,植物の成長に影響を及ぼす重要な要因として,植物陰影シミュレーションの重要性と本質的な複雑さを同定する。 この分野を前進させ、より広範な社会的利益を促進するために、我々は2つの主な貢献に焦点をあてる。 まず,大豆,トマト,サトウキビ,イチゴを含む4種の植物種を対象とした総合的な植物成長と日陰データセットを紹介する。 データセットには、円形の軌道に沿って補光されたトップダウンの視点が含まれ、複数の成長段階と多様な観測複雑さに動的影を流す。 第2に、拡散モデルに基づく生成日陰シミュレーションを提案し、目に見えない植物の現実的な日陰生成を可能にし、認識、照明制御、ビュープランニングなどの下流ロボットタスクをサポートする。 このモデルには時間条件が組み込まれており、異なる時間ステージにおけるフレキシブル・シェード・シミュレーションを容易にする。 モデル性能を評価するために定量的および定性的な評価を行う。 この研究は植物を意識したシェードモデリングの基礎研究であり、より広範な農業やロボットの応用に意味のある意味を持つ。

関連論文リスト

• Self-supervised learning predicts plant growth trajectories from multi-modal industrial greenhouse data [0.29998889086656577]
  本研究では,大規模ヒドロポニック葉緑体の高分解能環境センシングと表現型計測に移動型ロボットプラットフォームを用いた。 植物の成長軌跡全体への観察された成長データからマップを構築するための自己教師付きモデリング手法について述べる。
  論文  参考訳（メタデータ） (2025-07-08T18:55:11Z)
• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• BonnBeetClouds3D: A Dataset Towards Point Cloud-based Organ-level Phenotyping of Sugar Beet Plants under Field Conditions [28.79416825695514]
  農業生産は今後数十年間、気候変動と持続可能性の必要性によって深刻な課題に直面している。 自律無人航空機(UAV)による作物のモニタリングと、ロボットによる非化学雑草によるフィールド管理の進歩は、これらの課題に対処するのに有用である。 表現型化と呼ばれる植物形質の分析は、植物の育種に不可欠な活動であるが、大量の手作業が伴う。
  論文  参考訳（メタデータ） (2023-12-22T14:06:44Z)
• 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)
• 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)
• 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)
• 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)

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。