Accessible drone image processing for sustainable resource management of 3D tree-like crops using unsupervised algorithms
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
• The study presents a precision, training-free crop segmentation algorithm that extracts important phenotypic traits from 3D point cloud data. • We validated the algorithm effectively utilizes advanced clustering techniques, demonstrating strong performance even in densely planted environments. • A user-friendly GUI allows farmers to easily access data, facilitating improved crop monitoring and management for precision agriculture technology. This study presents a novel AI-driven solution designed to enhance sustainable resource management and increase accessibility for farmers through visualized and digitalized tree information. The proposed methodology includes optimizing drone mapping for effective data coverage, capturing high-resolution imagery, and generating a 3D Point Cloud, with a particular emphasis on the integration of Weighted K-means, Density-based spatial clustering of applications with noise (DBSCAN), and cluster separation algorithms to develop a high-precision, training-free stepwise crop segmentation algorithm for extracting essential phenotypic traits such as crop height and canopy volume. The algorithm was validated using avocado trees in Tanzania and hazelnut trees in Canada, demonstrating its robustness across different tree types and planting conditions. Notably, this study highlights the feasibility of extracting crop height without constructing a Digital Terrain Model (DTM), thereby mitigating errors associated with DTM inaccuracies. The proposed stepwise segmentation algorithm achieved a height estimation R 2 of 0.967 and volume estimation R 2 of 0.91 for avocado trees, demonstrating high accuracy without the need for DTM or training data. The developed algorithm, coupled with a user-friendly graphical user interface (GUI), provides farmers with a reliable tool for monitoring crop health and optimizing field management, representing a significant advancement in precision agriculture technology with wide-ranging applicability.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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