AN EFFICIENT WEED DETECTION PROCEDURE USING LOW-COST UAV IMAGERY SYSTEM FOR PRECISION AGRICULTURE APPLICATIONS
Notice bibliographique
Résumé
Abstract. The use of Unmanned Aerial Vehicle (UAV) imagery systems for Precision Agriculture (PA) applications drew a lot of attention through the last decade. UAV as a platform for an imagery sensor is providing a major advantage as it can provide high spatial resolution images compared to satellite platform. Moreover, it provides the user with the ability to collect the needed images at any time along with the ability to cover the agriculture fields faster than terrestrial platform. Therefore, such UAV imagery systems are capable to fit the gap between aerial and terrestrial Remote Sensing. One of the important PA applications that using UAV imagery system for it showed great potentials is weed management and more specifically the weed detection step. The current weed management procedure depends on spraying the whole agriculture field with chemical herbicides to execute any weed plants in the field. Although such procedure seems to be effective, it has huge effect on the surrounding environment due to the excessive use of the chemical, especially that weed plants don’t cover the whole field. Usually weed plants spread through only few spots of the field. Therefore, different efforts were introduced to develop weed detection techniques using UAV imagery systems. Though the different advantages of the UAV imagery systems, they systems didn’t draw the users interest due to many limitations including the cost of the system. Therefore, the proposed paper introduces a new weed detection methodology from RGB images acquired by low-cost UAV imagery system. The proposed methodology adopts detecting the high-density vegetation spots as indication for weed patches spots. The achieved results showed the potential of the proposed methodology to use low-cost UAV imagery system equipped with low-cost RGB imagery sensor for detecting weed patches in different cropped agriculture fields even from different flight height as 20, 40, 80, and 120 meters.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».