Применение БПЛА в точном земледелии: обзор результатов тестирования октокоптера Agras MG-1S

Source: Информатика. Экономика. Управление, Vol 3, Iss 3 (2024)

Subject Terms: БПЛА, система точного земледелия, защита растений, опрыскивание, тестирование, оптимизация, 0401 agriculture, forestry, and fisheries, 04 agricultural and veterinary sciences, 01 natural sciences, General Works, 0104 chemical sciences

Access URL: https://doaj.org/article/c611189363c94275a6fcf6beb1a7cc83

Deep Learning Methods and UAV Technologies for Crop Disease Detection ; Методы глубокого обучения и технологии БПЛА для идентификации заболеваний сельскохозяйственных растений

Authors: S. G. Mudarisov, I. R. Miftakhov, С. Г. Мударисов, И. Р. Мифтахов

Source: Agricultural Machinery and Technologies; Том 18, № 4 (2024); 24-33 ; Сельскохозяйственные машины и технологии; Том 18, № 4 (2024); 24-33 ; 2073-7599

Subject Terms: система точного земледелия, identification, diagnostics, artificial intelligence, unmanned aerial vehicle, computer vision, deep learning, precision farming system, идентификация, диагностика, искусственный интеллект, беспилотный летательный аппарат, компьютерное зрение, глубокое обучение

File Description: application/pdf

Relation: https://www.vimsmit.com/jour/article/view/617/546; Thangaraj R., Anandamurugan S., Pandiyan P et al. Artificial intelligence in tomato leaf disease detection: a comprehensive review and discussion. Journal of Plant Diseases and Protection. 2021. DOI:10.1007/s41348-021-00500-8.; Курченко Н.Ю., Даус Ю.В., Труфляк Е.В., Ильченко Я. А. Параметры применения беспилотных летательных аппаратов при обработке средствами защиты растений сельскохозяйственных культур // Известия Нижневолжского агроуниверситетского комплекса. 2023. N1 (69). С. 527-536. DOI:10.32786/2071-9485-2023-69-1-527-536.; Sladojevic S., Arsenovic M., Anderla A. et al. Deep neural networks based recognition of plant diseases by leaf image classification. Computational Intelligence and Neuroscience. 2016. 1-11. DOI:10.1155/2016/3289801.; Smirnov I., Kutyrev A., Khort D. et al. Developing neural-based hardware and software complex with a mobile application for monitoring apple fruits on tree canopy. Horticulture and Viticulture. 2023. 43-51. DOI:10.31676/0235-2591-2023-1-43-51.; Neupane K., Baysal-Gurel F. Automatic identification and monitoring of plant diseases using Unmanned Aerial Vehicles: a review. Remote Sensing. 2021. Vol. 13. N19. 1-19. DOI:10.3390/rs13193841.; Sankaran S., Khot L.R., Espinoza C.Z. et al. Low-altitude, high-resolution aerial imaging systems for row and field crop phenotyping: A review. European Journal of Agronomy. 2015. Vol. 70. 112-123. DOI:10.1016/j.eja.2015.07.004.; Rokach L., Maimon O. Top-down induction of decision trees classifiers - a survey. IEEE Systems, Man, and Cybernetics. 2005. Vol. 35. N4. 476-487. DOI:10.1109/TSMCC.2004.843178.; Singh A., Ganapathysubramanian B. Machine learning for high-throughput stress phenotyping in plants. Trends in Plant Science. 2020. Vol. 25. N1. 11-13. DOI:10.1016/j.tplants.2019.09.003.; Kamilaris A., Prenafeta-Boldu F.X. Deep learning in agriculture: A survey. Computers and Electronics in Agriculture. 2018. Vol. 147. 70-90. DOI:10.1016/j.compag.2018.02.016.; Zhang H., Zhang B., Wei Z. et al. Lightweight integrated solution for a UAV-borne hyperspectral imaging system. Remote Sensing. 2020. Vol. 12.N4. 657-671. DOI:10.3390/rs12040657.; Pittu V.R., Gorantla S.R. Diseased area recognition and pesticide spraying in farming lands by multicopters and image processing system. Journal Europeen des Systemes Automatises. 2020. Vol. 53(1). 123-130. DOI:10.18280/jesa.530115.; Kurbanov R., Litvinov M. Development of a gimbal for the Parrot Sequoia multispectral camera for the UAV DJI Phantom 4 Pro. IOP Series. 2020. 012062 (In English). DOI:10.1088/1757-899X/1001/1/012062.; Albetis J., Jacquin A., Goulard M. et al. On the potentiality of UAV multispectral imagery to detect flavescence doree and grapevine trunk diseases. Remote Sensing. 2019. Vol. 11. N1. 23-37. DOI:10.3390/rs11010023.; Song B., Park K. Detection of aquatic plants using multispectral UAV imagery and vegetation index. Remote Sensing. 2020. 387-400. DOI:10.3390/rs12030387.; Zhang T., Xu Z., Su J. et al. Ir-Unet: irregular segmentation u-shape network for wheat yellow rust detection by UAV multispectral imagery. Remote Sensing. 2021. Vol. 13. N19. 3892. DOI:10.3390/rs13193892.; Sassu A., Motta J., Deidda A. et al. Artichoke deep learning detection network for site-specific agrochemicals UAS spraying. Computers and Electronics in Agriculture. 2023. Vol. 213. 106395. DOI:10.1016/j.compag.2022.106395.; Kerkech M., Hafiane A., Canals R. Plant disease detection using the UAV imagery and deep learning. Computers in Industry. 2020. Vol. 123. 103316. DOI:10.1016/j.compind.2020.103316.; Li J., Huang W., Zhao C., Jin J. UAV-based multispectral remote sensing for precision agriculture: A case study on wheat nitrogen and water stress. International Journal of Remote Sensing. 2019. Vol. 40(4). 1325-1346. DOI:10.1080/01431161.2018.1525662.; Shi Y., Han L., Kleerekoper A. et al. Novel CropdocNet model for automated potato late blight disease detection from unmanned aerial vehicle-based hyperspectral imagery. Remote Sensing. 2022. 20396. DOI:10.3390/rs14020396.; Yu J., Cheng T., Cai N. et al. Wheat lodging segmentation based on LSTM-PSPNet deep learning network. Drones. 2023. Vol. 7. N2. 53-66. DOI:10.3390/drones7020053.; Xu W., Chen P, Zhan Y. et al. Cotton yield estimation model based on machine learning using time series UAV remote sensing data. International Journal of Applied Earth Observation and Geoinformation. 2021. Vol. 104. 102511. DOI:10.1016/j.jag.2021.102511.; Duarte-Carvajalino J.M., Alzate D.F., Ramirez A.A. et al. Evaluating late blight severity in potato crops using unmanned aerial vehicles and machine learning algorithms. Remote Sensing. 2018. Vol. 10. 1513. DOI:10.3390/rs10101513.; Ценч Ю.С., Курбанов РК., Захарова Н.И. История развития систем управления полетом и средств аэрофотосъемки беспилотных воздушных судов сельскохозяйственного назначения // Сельскохозяйственные машины и технологии. 2024. Т 18. N2. С. 11-19. DOI:10.22314/2073-7599-2024-18-2-11-19.; Курбанов Р.К., Захарова Н.И., Захарова О.М., Горшков Д.М. Оценка перезимовки всходов селекционной озимой пшеницы с помощью БПЛА // Инновации в сельском хозяйстве. 2019. N3(32). С. 133-139. EDN: YYRCTL.; Zhang X., Han L., Dong Y. et al. A deep learning-based approach for automated yellow rust disease detection from high-resolution hyperspectral UAV images. Remote Sensing. 2019. Vol. 11. N13. 1554. DOI:10.3390/rs11131554.; Zhang B., Zhao D. An ensemble learning model for detecting soybean seedling emergence in UAV imagery. Sensors. 2023. Vol. 23. N15. 6662. DOI:10.3390/s23156662.; Su J., Yi D., Su B. et al. Aerial visual perception in smart farming: Field study of wheat yellow rust monitoring. IEEE Transactions on Industrial Informatics. 2020. Vol. 17. N3. 2242-2249. DOI:10.1109/TII.2020.2979237.; Behmann J., Mahlein A.-K., Rumpf T. et al. A Review of advanced machine learning methods for the detection of biotic stress in precision crop protection. Precision Agriculture. 2015. Vol. 16. N3. 239-260. DOI:10.1007/s11119-014-9372-7.; Mahlein A.-K., Kuska M.T., Behmann J. et al. Hyperspectral and thermal imaging of plant diseases in horticulture. Sensors. 2018. Vol. 18. N9. 2936. DOI:10.3390/s18092936.; Shahzaad B., Bouguettaya A., Mistry S. et al. Resilient composition of drone services for delivery. Future Generation Computer Systems. 2021. Vol. 115. 335-350. DOI:10.1016/j.future.2020.09.023.; Курбанов РК., Захарова Н.И., Гайдук О.М. Использование теплового канала (LWIR) для оценки состояния посевов и прогнозирования урожайности сельскохозяйственных культур // Электротехнологии и электрооборудование в АПК. 2020. Т. 67. N3(40). С. 87-94. DOI:10.22314/2658-4859-2020-67-3-87-94.; Лелюхин Д., Тутыгин В. Система диагностики заболеваний листьев растений по фотоизображениям, полученным с помощью БПЛА // Известия Тульского государственного университета. 2018. N2. С. 129-137. EDN: RAQZLK.; Pan Q., Gao M., Wu P et al. A deep-learning-based approach for wheat yellow rust disease recognition from unmanned aerial vehicle images. Sensors. 2021. 6540-6553. DOI:10.3390/s21196540.; https://www.vimsmit.com/jour/article/view/617

Availability: https://www.vimsmit.com/jour/article/view/617
https://doi.org/10.22314/2073-7599-2024-18-4-24-33

Инновационное образование в условиях внедрения цифровых технологий в аграрном секторе

Subject Terms: on-board computer, parallel driving, differentiated application, цифровые технологии, инновационное образование, система точного земледелия, precision farming system, digitalization of the agricultural sector, highly professional personnel, цифровизация аграрного сектора, mapping, подготовка квалифицированных специалистов, аграрный сектор

File Description: application/pdf

Access URL: https://rep.bsatu.by/handle/doc/21220

Тракторы 'БЕЛАРУС' для технического обеспечения инновационных технологий в сельском хозяйстве

Subject Terms: fuel consumption, расход топлива, навигационные системы, engine, система точного земледелия, precision farming system, navigation systems, техническое обеспечение, tractors 'BELARUS', инновационные технологии в АПК, тракторы 'Беларус'

File Description: application/pdf

Access URL: https://rep.bsatu.by/handle/doc/21212

PROBLEMS AND PROSPECTS OF IMPLEMENTATION OF THE PRECISION FARMING SYSTEM IN THE RUSSIAN FEDERATION ; ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ ВНЕДРЕНИЯ СИТЕМЫ ТОЧНОГО ЗЕМЛЕДЕЛИЯ В РОССИЙСКОЙ ФЕДЕРАЦИИ

Authors: Dibirova , H.A., Osipova , N.V.

Source: JOURNAL OF AGRICULTURE AND ENVIRONMENT; No. 7 (27) (2022) ; ЖУРНАЛ СЕЛЬСКОГО ХОЗЯЙСТВА И ОКРУЖАЮЩЕЙ СРЕДЫ; № 7 (27) (2022) ; 2564-890X

Subject Terms: digital technologies, precision farming system, agricultural producers, SWOT analysis, цифровые технологии, система точного земледелия, сельскохозяйственные производители, SWOT-анализ

File Description: application/pdf

Relation: https://jae.cifra.science/index.php/jae/article/view/361/313; https://jae.cifra.science/index.php/jae/article/view/361

Availability: https://jae.cifra.science/index.php/jae/article/view/361
https://doi.org/10.23649/jae.2022.27.7.010

Инновации в подготовке специалистов АПК

Subject Terms: on-board computer, parallel driving, differential application, БГАТУ, highly professional personnel, дифференцированное внесение, высокопрофессиональные кадры, параллельное вождение, система точного земледелия, precision farming system, digitalization of the agricultural sector, картографирование, цифровизация аграрного сектора, mapping, бортовой компьютер, BSATU

File Description: application/pdf

Access URL: https://rep.bsatu.by/handle/doc/14067

Инновации в подготовке специалистов АПК

Authors: Шило, Иван Николаевич, Непарко, Татьяна Анатольевна, Жданко, Дмитрий Анатольевич

Subject Terms: цифровизация аграрного сектора, система точного земледелия, высокопрофессиональные кадры, параллельное вождение, бортовой компьютер, дифференцированное внесение, картографирование, БГАТУ, digitalization of the agricultural sector, precision farming system, highly professional personnel, parallel driving, on-board computer, differential application, mapping, BSATU

File Description: application/pdf

Relation: Актуальные проблемы устойчивого развития сельских территорий и кадрового обеспечения АПК : материалы Международной научно-практической конференции, Минск, 3-4 июня 2021 г.; https://rep.bsatu.by/handle/doc/14067; 378.4:001.895(476)

Availability: https://rep.bsatu.by/handle/doc/14067

ВИДЕОНАБЛЮДЕНИЕ И НАВИГАЦИЯ В СИСТЕМАХ ТОЧНОГО ЗЕМЛЕДЕЛИЯ

Authors: Башилов, Алексей, Королёв, Владимир

Subject Terms: ВИДЕОНАБЛЮДЕНИЕ, НАВИГАЦИЯ, СИСТЕМА ТОЧНОГО ЗЕМЛЕДЕЛИЯ, БЕСПИЛОТНЫЙ ЛЕТАТЕЛЬНЫЙ АППАРАТ

File Description: text/html

Availability: http://cyberleninka.ru/article/n/videonablyudenie-i-navigatsiya-v-sistemah-tochnogo-zemledeliya
http://cyberleninka.ru/article_covers/14794762.png

Видеонаблюдение и навигация в системах точного земледелия

Source: Вестник Федерального государственного образовательного учреждения высшего профессионального образования «Московский государственный агроинженерный университет им. В.П. Горячкина».

Subject Terms: 2. Zero hunger, ВИДЕОНАБЛЮДЕНИЕ, НАВИГАЦИЯ, СИСТЕМА ТОЧНОГО ЗЕМЛЕДЕЛИЯ, БЕСПИЛОТНЫЙ ЛЕТАТЕЛЬНЫЙ АППАРАТ

File Description: text/html

Access URL: http://cyberleninka.ru/article_covers/14794762.png
http://cyberleninka.ru/article/n/videonablyudenie-i-navigatsiya-v-sistemah-tochnogo-zemledeliya