MétaCan
Menu
Retour à la cohorte
Enregistrement W2272787425 · doi:10.5958/0976-4038.2015.00026.3

Weed Identification using Ultrasonic Sensor in Labview

2015· article· en· W2272787425 sur OpenAlex
Kishore Chandra Swain, R. Moitra, Q. U. Zaman

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueInternational Journal of Bio-resource and Stress Management · 2015
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSmart Agriculture and AI
Établissements canadiensNova Scotia Department of Agriculture
Organismes subventionnairesnon disponible
Mots-clésUltrasonic sensorWeedIdentification (biology)AcousticsEnvironmental scienceComputer scienceRemote sensingBiologyGeographyAgronomyPhysicsEcology

Résumé

récupéré en direct d'OpenAlex

The presence of weeds and pests in the crop field is a common phenomenon. The success of site-specific pest management depends on accurate identification of the pest and weeds in crop field. An innovative low-cost ultrasonic sensor system was developed to detect weeds and bare spots in wild blueberry cropping system. Ultrasonic sensors were mounted besides the rear wheels of the specially designed Farm Motorized Vehicle. Trimble Ag GPS 332 was mounted above the sensors to locate the exact locations of sensor data points for mapping. Custom software interface was developed in Lab View 8.5 to collect and store the sensor data along with DGPS co-ordinates in a laptop computer. The ultrasonic system calibrated using the fixed height objects in the laboratory and vegetation in the wild blueberry fields. Linear regression analysis showed significant relationship between actual heights and sensor heights (R 2 = 0.98). The survey of the field for weeds and bare spots detection was carried out at a speed of 0.54 m s -1 . The height maps were generated in Arc View 3.2 showing weed patches, bare-spots and wild blueberry plants in selected fields.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,650
Score d'incertitude au seuil0,133

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,028
Tête enseignante GPT0,254
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle