UV-spectrum remote UVA imaging for use in precision agriculture
Notice bibliographique
Résumé
Floral UV-reflectance is considered an essential factor in plant-pollinator interactions. UVreflective pigments on reproductive structures allow pollinators to locate flowers from the air and differentiate conspecifics. This relationship is possible due to the ability of pollinators, such as bees, to see in the UV spectrum (300-400nm). Despite this well-documented visual signalling strategy of flowering plants, our literary review indicated that few crop species have had their UV spectral reflectance documented. Without considering UV reflectance, breeding efforts could render flowers cryptic to pollinators, decreasing yield and harvest quality. Strawberry cultivars were spectrally analyzed and compared to their wild counterpart. White-flowering cultivars showed higher pollinator visibility, whereas the red-flowering cultivar was cryptic. Bee vision (300-650nm) is adapted to detect flowers. This project mimicked the bee vision range in designing and creating the Nature Inspired Detector (NID) to detect strawberry flowers remotely. Two state-of-the-art AI algorithms were trained on a custom strawberry flower image dataset where YOLOv5 outperformed Faster R-CNN( mAP 0.978 vs. 0.912, respectfully). The NID was then field deployed on a UAV over a strawberry field. Results were comparable to a contemporary study, but the NID had a faster training time (0.3 vs. 5.5 hrs) and higher mAP (0.951 vs. 0.772).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».