論文の概要: DefoliationCAM: An Edge-AI System for Real-Time Insect Defoliation Severity Assessment in Grapevines
- arxiv url: http://arxiv.org/abs/2610.20879v1
- Date: Wed, 14 Oct 2026 20:12:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.055943
- Title: DefoliationCAM: An Edge-AI System for Real-Time Insect Defoliation Severity Assessment in Grapevines
- Title（参考訳）: DefoliationCAM:グラペビンのリアルタイム昆虫分離度評価のためのエッジAIシステム
- Abstract要約: We developed DefoliationCAM (D-CAM) a solar-powered edge AI system that estimates canopy defoliation and sends results via LoRa to a web dashboard。
このパイプラインは、YOLOX-Nanoを使用して、ブドウのコードンを4K画像にローカライズし、MobileNetベースの分類器で320 x 320ピクセルのパッチを分類する。
D-CAMは、ターゲティングとタイムリーな害虫対策決定のための、頻繁で客観的な天蓋損傷評価をサポートする。
- 参考スコア（独自算出の注目度）: 1.7511846082080418
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Insect-induced defoliation threatens grapevine health and yield, yet severity assessment relies on subjective manual scouting. We developed DefoliationCAM (D-CAM), a solar-powered edge AI system that estimates canopy defoliation and transmits results via LoRa to a web dashboard. The pipeline uses YOLOX-Nano to localize grapevine cordons in 4K images and a MobileNet-based classifier with lightweight channel attention to classify 320 x 320 pixel patches. The 29,674 field-collected patches were labeled as background or one of four damage levels: no to negligible, mild, moderate, and severe. Merging moderate and severe classes reduced the class imbalance ratio from approximately 40:1 to 8.8:1. Synthetic augmentation increased macro-F1 from 0.768 to 0.838. The classifier outperformed ResNet-50 in macro-F1 with fewer parameters (1.08 M versus 23.52 M). Patch predictions were aggregated into a canopy-level Non-linear Global Defoliation Severity (NGDS) score and validated against an entomologist's ratings of 86 held-out canopy images. Quadratic discriminant analysis identified boundaries of 9% and 29% separating negligible damage, mild damage requiring monitoring, and action-level damage warranting on-site scouting and insecticide treatment consideration. The 29% boundary aligned with the 25%-30% action threshold range for Japanese beetle management in grapevine. Using TensorRT FP16 on an NVIDIA Jetson Orin Nano, the pipeline processed each 4K image in approximately 1.5 s, with a complete operating cycle of 57-60 s. A five-week deployment of two field units demonstrated the feasibility of autonomous solar-powered operation, LoRa communication, and remote defoliation monitoring. D-CAM supports frequent, objective canopy damage assessment for targeted scouting and timely pest-management decisions.
- Abstract（参考訳）: 昆虫による除草は、ブドウの健康と収穫を脅かすが、重度評価は主観的な手動スカウトに依存する。
We developed DefoliationCAM (D-CAM) a solar-powered edge AI system that estimates canopy defoliation and sends results via LoRa to a web dashboard。
このパイプラインは、YOLOX-Nanoを使用して、ブドウのコードンを4K画像にローカライズし、MobileNetベースの分類器で320 x 320ピクセルのパッチを分類する。
29,674個の野戦用パッチは背景または4つの損傷レベルのうちの1つとしてラベル付けされ、無視可能、軽度、中等度、重度であった。
中等級と重症級の合併により、クラス不均衡率はおよそ40:1から8:1に減少した。
合成増強によりマクロF1は0.768から0.838に増加した。
分類器はマクロF1のResNet-50よりも少ないパラメータ(1.08M対23.52M)で性能が向上した。
パッチ予測は, キャノピーレベルの非線形グローバル剥離重症度 (NGDS) スコアに集約し, 内科医が保持する86個のキャノピー画像と比較した。
二次判別分析では, 負の損傷を分離した9%と29%の境界線, 監視を必要とする軽度損傷, 現場調査および殺虫剤処理を保証した行動レベル損傷を同定した。
29%は日本産カブトムシに対する25%-30%の行動しきい値域と一致した。
NVIDIA Jetson Orin Nano上でTensorRT FP16を使用して、パイプラインは各4K画像を約1.5秒で処理し、完全な操作サイクルは57-60秒だった。
2つのフィールドユニットの5週間の展開は、自律的な太陽エネルギーの運用、LoRa通信、リモート剥離監視の可能性を示した。
D-CAMは、ターゲティングとタイムリーな害虫対策決定のための、頻繁で客観的な天蓋損傷評価をサポートする。
関連論文リスト
- Fusing Perceptual Vision Experts with Multimodal Large Language Models for Explainable Plant Disease Diagnosis: From Benchmark Imagery to Real-World Robotic Field Validation [3.7105561711383266]
We present the Hybrid Hierarchical Multi-Agent Framework (H$2$MAF) which with decision-level fusion of EfficientNet-B3 and ConvNeXt-Tiny with semantic arbitration。
PlantDocでは、Gemmaは精度を63.9%から68.5%に改善し、41.7%のCNN競合サブセットで+7.6ポイントを達成した。
これらの結果はMLLM仲裁を、説明可能な農業AIとロボットフィールド決定支援のための、有望で校正に依存したアプローチとして確立する。
論文 参考訳（メタデータ） (2026-08-23T17:20:20Z) - Chameleon: An Adaptive AI-Driven Honeypot Architecture Using Threat-Calibrated Particle Swarm Optimization and Semantic Deception Rapidly-Exploring Random Trees [0.0]
低コストの商用偽装製品は、応答エンジンがリアルタイムモデル駆動のフィードバックに結びついていないという、関連する弱点を共有している。
メカニズムは、両方の欠点に対処するために、オープンに分散されたアダプティブなハニーポットプラットフォームである。
論文 参考訳（メタデータ） (2026-08-15T20:30:14Z) - Low Cost Two-Stage Fabric Defect Detection at the Edge [0.0]
衣料品産業におけるファブリック検査は主に手作業で行われており、3.45と商業用ヴィジュアルシステムは、ほとんどの中小製粉所以上の価格で販売されている。
4つのニットファブリック欠陥クラスのためにそのようなカスケードを構築し、FP16でNVIDIA Jetson Nano上でエンドツーエンドにデプロイする。
データパスを制御せずにカスケードのスピードアップを計測し、自律的な受け入れよりもAIによるトリアージとして位置付ける。
論文 参考訳（メタデータ） (2026-08-12T19:49:00Z) - Lightweight Image Classification of Raptor Species for Edge Devices: Rare-Species Dataset Expansion via Video Frame Extraction, Knowledge Distillation, and TensorRT Deployment [0.060917028769172786]
風車衝突防止におけるリアルタイムエッジ展開のための軽量ラプター種分類について検討する。
教師としてDINOv2-L(304Mパラメータ)を用いて,MobileNetV4, ViT-Small, EfficientNet-B0の3名の軽量学生を蒸留した。
近縁種間の混同を減らすため,データセットを2,050の画像に拡張した。
5種比較試験では, 蒸留(CEのみ)もDINOv2-LからDINOv3-Lへの変更も明確なアンサンブルレベルの改善は得られなかった。
論文 参考訳（メタデータ） (2026-07-28T20:19:25Z) - Pixel-Precise Explainable Stress Indexing: A Semantic Segmentation Framework for Disease Severity Quantification in Field Crops [3.466303200807006]
植物病は、生物的ストレスと無生物的ストレスの両方から発生し、毎年世界の農業生産量が20-40%減少する。
本稿では,セマンティックセグメンテーション,回帰に基づく重症度推定,疾患分類を統合した統合型ディープラーニングパイプラインを提案する。
論文 参考訳（メタデータ） (2026-07-05T06:04:20Z) - Knowledge Index of Noah's Ark [63.143852586221534]
KINAは,261分野にわたる899項目のベンチマークである。
ボーナス・オン・バートーナメントがFOSDを弱く支配していることを示す。
トップモデルであるGemini-3.1-Pro-Previewは53.17%、Claude-Opus-4.6は49.92%、GPT-5.4は48.55%に達した。
論文 参考訳（メタデータ） (2026-06-03T17:06:49Z) - Beyond Localization: A Comprehensive Diagnosis of Perspective-Conditioned Spatial Reasoning in MLLMs from Omnidirectional Images [52.50752250573993]
MLLM(Multimodal Large Language Models)は、視覚的知覚が強いが、視点の変化による空間の推論には限界がある。
本研究では、この課題を全方位360度画像におけるパースペクティブ・コンディションド・スペース・推論(PCSR)として検討する。
我々は2,600全方位画像から84,373組の質問応答対の診断ベンチマークであるPCSR-Benchを紹介する。
論文 参考訳（メタデータ） (2026-05-12T17:11:17Z) - A Multi-Stage model based on YOLOv3 for defect detection in PV panels
based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。
このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。
提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
論文 参考訳（メタデータ） (2021-11-23T08:04:32Z)
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。