Aplicación de tecnologías de drones, sensores y robots
Agricultura de precisión
Farmland Obstacle Detection from the Perspective of UAVs Based on Non-local Deformable DETR
Detección de obstáculos en tierras de cultivo desde la perspectiva de los vehículos aéreos no tripulados basada en transformador de detección no local
En la agricultura de precisión, los vehículos aéreos no tripulados (UAV) desempeñan un papel importante en la recopilación de información pero la presencia de obstáculos discretos como árboles o tendidos eléctricos constituye una amenaza para la seguridad de vuelo. El transformador de detección (DETR) y el DETR deformable combinan redes neuronales convolucionales(CNN) para lograr la detección de objetos de extremo a extremo. El objetivo de este trabajo es utilizar DETR Deformable para la detección de obstáculos en tierras de cultivo desde la perspectiva de los UAV donde se evaluará el rendimiento del DETR deformable no local para la detección de obstáculos en tierras de cultivo mediante experimentos comparativos en un conjunto de datos propuesto. Los resultados muestran que la red DETR deformable no local presenta un gran rendimiento para detectar objetos pequeños y delgados. Los autores esperan que esta investigación aporte soluciones al problema de la seguridad del vuelo de los UAV en entornos agrícolas no estructurados.
Este artículo fue realizado por Dashuai Wang (Southern University of Science and Technology, Shenzhen, China; Chinese Academy of Sciences, Shenzhen, China), Zhuolin Li (Southern University of Science and Technology, Shenzhen, China; Zhejiang Sci-Tech University, Hangzhou, China), Xiaoqiang Du, Zenghong Ma (Zhejiang Sci-Tech University, Hangzhou, China; Key Laboratory of Transplanting Equipment and Technology of Zhejiang Province, Hangzhou 310018, China), Xiaoguang Liu (Southern University of Science and Technology, Shenzhen, China) para Agriculture (Vol 12, núm 12, p. 1983, 2022), una revista que divulga artículo que reflejan la amplitud e interdisciplinariedad de la agricultura. Esta es una publicación de MDPI, una plataforma de revistas científicas de acceso abierto operada por MDPI Verein (Basilea, Suiza). Correo de contacto: [email protected]
Towards the Modeling and Prediction of the Yield of Oilseed Crops: A Multi-Machine Learning Approach
Hacia la modelización y predicción del rendimiento de cultivos oleaginosos: Un enfoque de aprendizaje multimáquina
La predicción del rendimiento de las semillas es un enfoque clave en la industria de la agricultura de precisión dado que permite hacer una evaluación confiable de la eficacia de los agro-rasgos. En esta investigación se emplearon técnicas de aprendizaje automático para predecir el rendimiento de las semillas de sésamo utilizando las características agromorfológicas mediante el método PCS (análisis de componentes principales) para compararlos con los modelos de aprendizaje automático con el fin de evaluar la eficacia de la predicción. Los autores destacan que los resultados de esta investigación son esenciales para promover la productividad mediante la plantación de especies de sésamo más robustas. Estudio adicionales relacionados con el rendimiento y el nivel de calidad proporcionaron datos para formular una estrategia sostenible para superar las dificultades que presenta este cultivo.
Este artículo fue realizado por Mahdieh Parsaeian (Shahrood University of Technology, Shahrood, Iran), Mohammad Rahimi, Abbas Rohani (Ferdowsi University of Mashhad, Mashhad, Iran), Shaneka S. Lawson (Purdue University, Indiana, USA) para Agriculture (Vol 12, núm 10, p. 1739, 2022), una revista que divulga artículo que reflejan la amplitud e interdisciplinariedad de la agricultura. Esta es una publicación de MDPI, una plataforma de revistas científicas de acceso abierto operada por MDPI Verein (Basilea, Suiza). Correo de contacto: [email protected]
- Video:Presentación del Ing. Andre Zabini. Agricultura de Precisión
- Fuente:Red Interior Tv
