文献

J-GLOBAL ID：202102222389563706   整理番号：21A2453748

ドローン画像からの深層シミュレーション学習に基づく植物検出のための自動化フレームワーク【JST・京大機械翻訳】

An Automated Framework for Plant Detection Based on Deep Simulated Learning from Drone Imagery

著者 (3件)： Hosseiny Benyamin (Department of Photogrammetry and Remote Sensing, School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran, Tehran 1417466191, Iran) ,  Rastiveis Heidar (Department of Photogrammetry and Remote Sensing, School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran, Tehran 1417466191, Iran) ,  Homayouni Saeid (Centre Eau Terre Environnement, Institut National de la Recherche Scientifique (INRS), Quebec City, QC G1K 9A9, Canada)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 12  号： 21  ページ： 3521  発行年： 2020年 
JST資料番号： U7270A  ISSN： 2072-4292  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 農地の伝統的マッピングとモニタリングは,高価で,面倒で,ヒューマンエラーを含む可能性がある。インテリジェントデータ処理における人工知能(AI)と深層学習(DL)ブレークスルーに続くプラットフォームとセンサにおける技術的進歩は,精密農業(PA)のためのリモートセンシング応用の改善につながった。したがって,プラットフォームとセンサにおける技術的進歩と機械学習とDL,および地理空間とリモートセンシング技術のようなインテリジェントデータ処理法は,PAニーズのための農地モニタリングの品質を改善した。しかし,モデル訓練のためのグランドトルースデータの提供は,時間がかかり,退屈なタスクであり,複数のヒューマンエラーを含む可能性がある。本論文は,非常に高解像度のドローンリモートセンシング画像からの農地における植物検出のための画像処理とDL法に基づいた自動化で完全教師なしフレームワークを提案した。提案したフレームワークの主なアイデアは,入力画像からの模擬訓練データの無制限量を自動的に生成することである。この能力はDL法にとって有利であり,それらの最大の欠点,すなわちかなりの訓練データを必要とする。このフレームワークコアは,オブジェクト検出のためのResNet-101のバックボーンを有する高速局所畳込みニューラルネットワーク(R-CNN)に基づいている。提案したフレームワーク効率を,ドローンに搭載したRGBカメラにより取得した2つのコーンフィールドからの2つの異なる画像セットによって評価した。結果は,提案方法が90.9%の平均計数精度をもたらすことを示した。さらに,平均Hausdorff距離(AHD)に基づいて,11画素の平均物体検出位置確認誤差を得た。さらに,対象検出尺度を評価することによって,植物検出に対する得られた平均精度,再現,およびF1は,それぞれ0.868,0.849,および0.855であり,教師なし植物検出法に対して有望であると思われる。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *自動化 ,  画像処理 ,  ヒューマンエラー ,  農地 ,  画素 ,  人工知能 ,  リモートセンシング ,  *無人機 ,  データ処理 ,  機械学習
準シソーラス用語： 訓練データ ,  物体検出 ,  リモートセンシング画像 ,  グランドトゥルース ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： 植物検出 ,  深層学習 ,  高速R-CNN ,  ResNet-101 ,  ドローン画像 ,  精密農業

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (50件)：

• Godfray, H.C.J.; Beddington, J.R.; Crute, I.R.; Haddad, L.; Lawrence, D.; Muir, J.F.; Pretty, J.; Robinson, S.; Thomas, S.M.; Toulmin, C. Food security: The challenge of feeding 9 billion people. Science 2010, 327, 812-818.
• Gikunda, P.; Jouandeau, N. State-Of-The-Art Convolutional Neural Networks for Smart Farms: A Review. In Proceedings of the Science and Information (SAI) Conference, London, UK, 18-20 July 2017.
• Seelan, S.K.; Laguette, S.; Casady, G.M.; Seielstad, G.A. Remote sensing applications for precision agriculture: A learning community approach. Remote Sens. Environ. 2003, 88, 157-169.
• Kerkech, M.; Hafiane, A.; Canals, R. Deep leaning approach with colorimetric spaces and vegetation indices for vine diseases detection in UAV images. Comput. Electron. Agric. 2018, 155, 237-243.
• Mulla, D.J. Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps. Biosyst. Eng. 2013, 114, 358-371.

タイトルに関連する用語 (6件)： ドローン ,  深層 ,  シミュレーション学習 ,  植物 ,  自動化 ,  フレームワーク