論文の概要: A Swarm-Coordinated Multi-Robot System for Early Stress Detection in Agricultural Rows Using Multimodal Leaf Sensing

• arxiv url: http://arxiv.org/abs/2610.08603v1
• Date: Tue, 06 Oct 2026 16:07:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.101961
• Title: A Swarm-Coordinated Multi-Robot System for Early Stress Detection in Agricultural Rows Using Multimodal Leaf Sensing
• Title（参考訳）: マルチモーダルリーフセンシングによる農地の早期ストレス検知のための群集協調型マルチロボットシステム
• Abstract要約: 本論文では,マルチモーダルリーフセンシングを用いてストレスレベルを追跡することで作物の健康状態を継続的にモニタリングする,低コストで地中型マルチロボットシステムであるCropSentryについて紹介する。 その結果、全体の作物の健康分類精度は84.12%、健康な植物は82.60%、栄養不足植物は88%、病気植物は80%であった。
• 参考スコア（独自算出の注目度）: 1.9116784879310027
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Early stress detection in crops is a necessity today to improve efficiency and reduce waste of time, money, and effort. However, most modern techniques, such as hyperspectral imaging and AI-based systems, are too costly and complex for medium and small-scale farmers to implement. This paper showcases CropSentry, a low-cost, ground-based multi-robot system that uses multimodal leaf sensing to continuously monitor crop health by tracking stress levels. The system comprises two autonomous bots that continuously detect leaf color and environmental data row by row. The observations are spatially mapped and sent over to the master bot, which uses color-coded row segments to generate a real-time web-based dashboard displaying crop health. After 63 observations were collected during the experiments, the results showed an overall crop health classification accuracy of 84.12%, with 82.60% for healthy plants, 88% for nutrient-deficient plants, and 80% for diseased plants. Also, 100% wireless communication success rate across 10 slave observations was achieved. Close-range leaf inspection across multiple bots can detect early stress in crops while remaining affordable, accessible, and scalable. It provides farmers with timely information to improve resource utilization and crop management.
• Abstract（参考訳）: 作物の初期のストレス検出は、効率を改善し、時間、お金、労力の無駄を省くために今日必要である。 しかし、ハイパースペクトルイメージングやAIベースのシステムのような現代のほとんどの技術は、中小規模の農家が実装するにはコストがかかりすぎる。 本論文では,マルチモーダルリーフセンシングを用いてストレスレベルを追跡することで作物の健康状態を継続的にモニタリングする,低コストで地中型マルチロボットシステムであるCropSentryについて紹介する。 このシステムは、葉の色と環境データ列を連続的に検出する2つの自律ボットで構成されている。 観測結果は空間的にマッピングされ、マスタボットに送信される。カラーコードされた行セグメントを使用して、作物の健康状態を表示するWebベースのリアルタイムダッシュボードを生成する。 63の観察結果が得られた結果、全体の作物の健康分類精度は84.12%、健康な植物は82.60%、栄養不足植物は88%、病気植物は80%であった。 また、10回の奴隷観察で100%無線通信の成功率を達成した。 複数のボットにまたがるクローズレンジな葉の検査は、作物の初期のストレスを検知すると同時に、安価で使いやすく、スケーラブルな状態を維持することができる。 農夫に資源利用と作物管理を改善するためのタイムリーな情報を提供する。

関連論文リスト

• Hardware-Aware YOLO Compression for Low-Power Edge AI on STM32U5 for Weeds Detection in Digital Agriculture [0.0]
  本研究は、STM32U575ZIマイクロコントローラ上に展開されたYOLOv8nオブジェクト検出器に基づく雑草検出のための最適化された低消費電力エッジAIシステムを提案する。 雑草は世界中で作物の収穫を著しく減らし、持続可能な農業にとって大きな課題となっている。
  論文  参考訳（メタデータ） (2025-11-11T08:55:58Z)
• Maize Seedling Detection Dataset (MSDD): A Curated High-Resolution RGB Dataset for Seedling Maize Detection and Benchmarking with YOLOv9, YOLO11, YOLOv12 and Faster-RCNN [0.28647133890966986]
  スタンドカウントは、植物が発芽した数を決定し、再移植や入力の調整といったタイムリーな決定を導く。 実生苗数計測のための高品質な航空画像データセットであるMSDDを導入し,早稲作モニタリング,収量予測,現地管理に応用した。 MSDDには、様々な成長段階、植林設備、土壌タイプ、照明条件、カメラアングル、密度の3つのクラス・シングル、ダブル、トリプルの植物が含まれる。
  論文  参考訳（メタデータ） (2025-09-18T17:41:59Z)
• Drone-Based Multispectral Imaging and Deep Learning for Timely Detection of Branched Broomrape in Tomato Farms [0.2770822269241974]
  本研究は、カリフォルニアのトマト産業に対する枝分かれしたブルームラップ(Phelipanche ramosa)のエスカレートする脅威に対処する。 寄生虫の主に地下のライフサイクルは早期発見を難しくするが、従来の化学制御は費用がかかり、環境に悪影響を及ぼし、しばしば効果がない。 我々は、SMOTE(Synthetic Minority Over-Sampling Technique)を用いて、ドローンベースのマルチスペクトル画像とLong Short-Term Memory (LSTM)ディープラーニングネットワークを組み合わせた。
  論文  参考訳（メタデータ） (2025-09-12T05:16:56Z)
• An efficient plant disease detection using transfer learning approach [0.0]
  植物病は農業と農業に重大な課題をもたらす。 本研究では,移動学習手法を用いて植物病の同定とモニタリングを行うシステムを提案する。 このシステムは、Powdery Mildew、Angular Leaf Spot、Early blight、トマトモザイクウイルスなどの細菌、真菌、ウイルス病の存在を正確に検出することができる。
  論文  参考訳（メタデータ） (2025-06-28T13:47:27Z)
• 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)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• 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)
• One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
  三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。 2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
  論文  参考訳（メタデータ） (2020-12-14T10:44:22Z)
• 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。