Computer Vision for Monitor and Control of Vertical Farms Using Machine Learning Methods
Notice bibliographique
Résumé
Vertical farms have become increasingly popular in today’s society. Its popularity owes to the increasing relevance of vertical farms as a panacea for the effect of desertification and urbanization as proposed by experts and researchers. Urbanization is increasing annually, as at the middle of year 2020 according to statistica.com the rate of urbanization was at 56 percent, and it has been estimated that by the year 2050 about 70-90% of global population will live in cities. The tripod effect of urbanization, desertification and climate change has made vertical farms a convenient alternative. While vertical farm is helping to solve this problem, the interface of computers with vertical farms has exponentially increased the efficiency, it has helped to create convenient environments which can be controlled, as such facilitating and all-around production of food crops all through the year despite changing environmental conditions. In this paper, we are taking a step further to see how computer vision can help in this process. So far IoT has been used to monitor the farm extrinsic factors, and get relevant data, the problem with that method is that only the external factors are being monitored, in this paper we will be exploring how computer vision can monitor intrinsic factors, but beyond that, we will also explore how computer vision and machine learning methods could be used together with IoT for the control of vertical farms as well to create favorable conditions for the planting of vertical farms.
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 ».