論文の概要: AgriDefend: A $205 Offline Edge Device that Detects Crop Stress Before Visible Symptoms via Multimodal AI Fusion

• arxiv url: http://arxiv.org/abs/2610.34861v1
• Date: Mon, 26 Oct 2026 05:24:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.762711
• Title: AgriDefend: A $205 Offline Edge Device that Detects Crop Stress Before Visible Symptoms via Multimodal AI Fusion
• Title（参考訳）: AgriDefend:205ドルのオフラインエッジデバイス
• Abstract要約: AgriDefendは、消費者向けのエッジデバイスで、カメラと土壌プローブを融合させる。 ロジスティック回帰メタリアナーは、この2つを5クラスの作物健康予測に融合させる。 土壌の信号は、視線を約4日前に見るのに先行する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most in-field crop-monitoring devices sense a single modality -- either a camera looking at the canopy or a probe reading the soil -- and so cannot detect stress that begins below ground before it becomes visible above it. We present AgriDefend, a self-contained consumer-grade edge device that fuses both. A MobileNetV2 convolutional neural network (CNN) analyses canopy imagery, and a Random Forest classifier integrates trend features from a single soil probe: moisture, the rate of change in pH and in N, P, K, and belowground CO2 relative to ambient (a proxy for soil respiration). A logistic-regression meta-learner fuses the two into a five-class crop-health prediction, all on a Raspberry Pi 5 with no cloud or cellular link. On a controlled greenhouse drought trial with wild radish, the fused model reached 87% accuracy (R^2=0.88, MAE=0.05) at 1.4 s INT8 TensorFlow Lite inference, and its soil signals preceded visible wilting by about four days. The complete bill of materials is $205, roughly a fifth of comparable commercial nodes, positioning multimodal, sustainable crop sensing as a practical consumer-electronics product for connectivity-limited settings.
• Abstract（参考訳）: ほとんどの現地の作物監視装置は、天蓋を見るカメラや土壌を読むプローブなど、単一のモダリティを感知しているため、地上で発生するストレスを検出できない。 私たちはAgriDefendを紹介します。AgriDefendは、自己完結型のコンシューマグレードのエッジデバイスで、両方を融合します。 MobileNetV2畳み込みニューラルネットワーク(CNN)は、天蓋画像を分析し、ランダムフォレスト分類器は、湿気、pH、N、P、K、地下CO2の変化率(土壌呼吸のプロキシ)の1つの土壌プローブからトレンド特徴を統合する。 ロジスティック回帰メタリアナーは、これら2つを5クラスの作物健康予測に融合させ、全てクラウドやセルラーリンクのないRaspberry Pi 5上に配置する。 野生のラディッシュで制御された温室干ばつ試験では、融合したモデルは1.4 s INT8 TensorFlow Lite推論で87%の精度(R^2=0.88, MAE=0.05)に達した。 素材の完全な請求額は205ドル(約2万5000円)で、ほぼ5分の1の商用ノードで、接続制限設定のための実用的消費者電子製品としてマルチモーダルで持続可能な作物検知を位置づけている。

関連論文リスト

• An Input-Frugal Deep Learning Framework for Weather-Driven National Crop-Yield Forecasting: A Case Study of Brazilian Soybean [45.41459301195536]
  シーズン内予測は、早期から後期に単調に改善され、最新の予測ポイントではベースラインよりも約50%低い誤差に達する。 ShaPは、収穫年が長期の軌道のほとんどを説明するのに対し、季節内気象と農業環境の文脈は、主に年々変動を引き起こすことを示唆している。
  論文  参考訳（メタデータ） (2026-09-29T19:40:09Z)
• What Can Latent World Models Know? Physical Parameter Identifiability in Multimodal Predictive Representations [18.546826658944806]
  POKEWORLDは、視覚的に同一の物体が質量、抗力、接触硬さを隠す対話型環境である。 認証付きプロトコルは、まず、生の観測から回復可能な各パラメータを認証し、潜伏状態に入るかどうかを測定する。 RH20Tでは、2つのロボットと4,258エピソードにまたがって両方のメカニズムを再現する。
  論文  参考訳（メタデータ） (2026-07-29T15:15:30Z)
• Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
  実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-17T09:45:44Z)
• Knowledge-Guided Machine Learning Models to Upscale Evapotranspiration in the U.S. Midwest [0.0]
  エバポ蒸散(ET)は陸上と大気の相互作用において重要な役割を担っているが、その正確な定量化は依然として困難である。 本研究は,ツリーベースおよび知識誘導型機械学習(ML)技術とマルチスペクトルリモートセンシングデータ,格子状気象データ,ECデータを統合し,米国中西部のETをスケールアップする。
  論文  参考訳（メタデータ） (2025-10-13T15:15:40Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• Deep-CNN based Robotic Multi-Class Under-Canopy Weed Control in Precision Farming [2.6085535710135654]
  リアルタイム多クラス雑草識別は雑草の種特異的な処理を可能にし、除草剤の使用量を著しく減少させる。 本稿では,5つのベンチマークCNNモデルを用いた分類性能のベースラインを提案する。 我々はMobileNetV2を、リアルタイム雑草検出のためのコンパクトな自律ロボットTextitSAMBotにデプロイする。
  論文  参考訳（メタデータ） (2021-12-28T03:51:55Z)
• Two-dimensional Deep Regression for Early Yield Prediction of Winter Wheat [0.0]
  我々は、レーダー衛星画像と地上情報を組み合わせたデータに基づいて訓練された畳み込みニューラルネットワーク(CNN)を用いて、収量予測問題に取り組む。 我々は、Sentinel-1衛星から取得したレーダーデータを使用し、地上データは6つの特徴に対応する。 提案手法は,5つの比較手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-11-15T20:40:15Z)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)

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。