Evaluation of cameras and image distance for CNN-based weed detection in wild blueberry
Notice bibliographique
Résumé
Agricultural herbicide application efficiency can be improved using smart sprayers which provide site-specific, rather than broadcast, applications of agrochemicals. The YOLOv3-Tiny convolutional neural network (CNN) was trained to detect two weeds, hair fescue and sheep sorrel, in images captured from wild blueberry fields throughout Nova Scotia, Canada. An evaluation was performed in three commercial wild blueberry fields in Nova Scotia to examine the effects of camera selection and target distance on detection accuracy. A Canon T6 DSLR camera, an LG G6 smartphone, and a Logitech c920 webcam were used to capture RGB images at varying distances from target weeds. Mean F1-scores for each combination of camera and image height were analysed in a 3 × 3 factorial arrangement for hair fescue and a 3 × 2 factorial arrangement for sheep sorrel. Images captured from 0.98 m with the LG G6 and Canon T6 produced F1-scores of up to 0.97 for detection of at least one hair fescue tuft. Images captured with the LG G6 and Canon T6 DSLR from 0.57 m achieved F1-scores of 0.94 and 0.93, respectively, for detection of at least one sheep sorrel plant per image. Sheep sorrel was undetectable in images from the Logitech c920 under 19 of 27 parameter combinations. Future work will involve using the CNN to control herbicide applications with a real-time smart sprayer. Additionally, the CNN will be used in a web-based application to detect target weeds and provide site-specific information to aid management decisions. Using a CNN to detect weeds will create improvements in management techniques, resulting in cost-savings and greater sustainability for the wild blueberry industry.
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 | 0,001 |
| 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 ».