MétaCan
Menu
Retour à la cohorte
Enregistrement W4403823339 · doi:10.1016/j.atech.2024.100618

Development of a flexible electronic control unit for seamless integration of machine vision to CAN-enabled boom sprayers for spot application technology

2024· article· en· W4403823339 sur OpenAlexafffund
Mozammel Bin Motalab, Ahmad Al-Mallahi

Notice bibliographique

RevueSmart Agricultural Technology · 2024
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSmart Agriculture and AI
Établissements canadiensDalhousie University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésBoomUnit (ring theory)Computer scienceControl engineeringEngineeringAutomotive engineeringEmbedded systemEngineering drawingMathematics

Résumé

récupéré en direct d'OpenAlex

This research work aimed to develop an Electronic Control Unit (ECU) to establish a flexible bridge between machine vision and boom sprayer to control nozzles individually for pesticide spot application based on the Controller Area Network (CAN). The ECU consisted of two electronic entities. The first used UART protocol to parse machine vision messages, detect pest areas, and convert them into binary arrays for nozzle activation. The second received these arrays and generated nozzle controller CAN frames which were broadcast to control the sprayer nozzles on the implement bus. The ECU was tested in four scenarios involving combinations of three machine vision systems and two nozzle systems. The lab tests confirmed, assuming accurate detections, the ECU successfully sent spray commands to all targets across various camera-nozzle ratios. However, at specific ratios (1:3 and 1:6), some nozzles opened in unintended patterns. In the fourth scenario conducted in the field at a 1:2 ratio, all targets were sprayed regardless of their dimensions and distribution in the field. In this scenario, the sprayer operated at speeds of 3.22 km/h, 6.44 km/h, and 9.66 km/h, demonstrating real-time spraying with 55° angled nozzles, where the ECU sent CAN messages every 10ms and issued 400 ms spray commands upon detection, achieving a minimum spray length of 345 mm per 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.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,176
Score d'incertitude au seuil0,426

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,248
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSmart Agricultural TechnologyMême sujetSmart Agriculture and AITravaux en français237 207