Computer Vision System for Automatic Counting of Planting Microsites Using UAV Imagery
Notice bibliographique
Résumé
Mechanical site preparation by mounding is often used by the forest industry to provide optimal growth conditions for tree seedlings. Prior to planting, an essential step consists in estimating the number of mounds at each planting block, which serves as planting microsites. This task often requires long and costly field surveys, implying several forestry workers to perform manual counting procedure. This paper addresses the problem of automating the counting process using computer vision and UAV imagery. We present a supervised detection-based counting framework for estimating the number of planting microsites on a mechanically prepared block. The system is trained offline to learn feature representations from semi-automatically annotated images. Mound detection and counting are then performed on multispectral UAV images captured at an altitude of 100 m. Our detection framework proceeds by generating region proposals based on local binary patterns (LBP) features extracted from near-infrared (NIR) patches. A convolutional neural network (CNN) is then used for classifying candidate regions by considering multispectral image data. To train and evaluate the proposed method, we constructed a new dataset by capturing aerial images from different planting blocks. The results demonstrate the efficiency and validity of the proposed method under challenging experimental conditions. The methods and results presented in this paper form a promising cornerstone to develop advanced decision support systems for planning planting operations.
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 distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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 | 0,000 | 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) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».