Application of a Real-Time Field-Programmable Gate Array-Based Image-Processing System for Crop Monitoring in Precision Agriculture
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.
Notice bibliographique
Résumé
Precision agriculture (PA) technologies combined with remote sensors, GPS, and GIS are transforming the agricultural industry while promoting sustainable farming practices with the ability to optimize resource utilization and minimize environmental impact. However, their implementation faces challenges such as high computational costs, complexity, low image resolution, and limited GPS accuracy. These issues hinder timely delivery of prescription maps and impede farmers’ ability to make effective, on-the-spot decisions regarding farm management, especially in stress-sensitive crops. Therefore, this study proposes field programmable gate array (FPGA)-based hardware solutions and real-time kinematic GPS (RTK-GPS) to develop a real-time crop-monitoring system that can address the limitations of current PA technologies. Our proposed system uses high-accuracy RTK and real-time FPGA-based image-processing (RFIP) devices for data collection, geotagging real-time field data via Python and a camera. The acquired images are processed to extract metadata then visualized as a heat map on Google Maps, indicating green area intensity based on romaine lettuce leafage. The RFIP system showed a strong correlation (R2 = 0.9566) with a reference system and performed well in field tests, providing a Lin’s concordance correlation coefficient (CCC) of 0.8292. This study demonstrates the potential of the developed system to address current PA limitations by providing real-time, accurate data for immediate decision making. In the future, this proposed system will be integrated with autonomous farm equipment to further enhance sustainable farming practices, including real-time crop health monitoring, yield assessment, and crop disease detection.
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 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 découle