Αποτελέσματα αναζήτησης - "цифровой мониторинг"

Relation: Эффективный ответ на современные вызовы с учетом взаимодействия человека и природы, человека и технологий : материалы XVI Международной научно-технической конференции; https://elar.usfeu.ru/handle/123456789/13585

Διαθεσιμότητα: https://elar.usfeu.ru/handle/123456789/13585

View record from BASE

4

Academic Journal

Assessing Stereo Camera Applicability for Digital Monitoring of Cattle Exterior ; Оценка стереокамер для цифрового мониторинга экстерьера коров

Συγγραφείς: S. S. Yurochka, D. Yu. Pavkin, A. R. Khakimov, P. S. Berdyugin, S. O. Bazaev, С. С. Юрочка, Д. Ю. Павкин, А. Р. Хакимов, П. С. Бердюгин, С. О. Базаев

Συνεισφορές: The study was supported by the grant of the Russian Science Foundation № 23-76-10041, https://rscf.ru/en/project/23-76-10041/, Исследование выполнено за счет средств гранта Российского научного фонда № 23-76-10041, https://rscf.ru/project/23-76-10041/

Πηγή: Agricultural Machinery and Technologies; Том 18, № 4 (2024); 34-40 ; Сельскохозяйственные машины и технологии; Том 18, № 4 (2024); 34-40 ; 2073-7599

Θεματικοί όροι: стереокамера, exterior, grading, digital monitoring, stereo camera, экстерьер, бонитировка, цифровой мониторинг

Περιγραφή αρχείου: application/pdf

Relation: https://www.vimsmit.com/jour/article/view/624/553; Ценч Ю.С. Научно-технический потенциал как главный фактор развития механизации сельского хозяйства // Сельскохозяйственные машины и технологии. 2022. Т 16. N2. С. 4-13. DOI:10.22314/2073-7599-2022-16-2-4-13.; Лобачевский Я.П., Дорохов А.С. Цифровые технологии и роботизированные технические средства для сельского хозяйства // Сельскохозяйственные машины и технологии. 2021. Т 15. N4. С. 6-10. DOI:10.22314/2073-7599-2021-15-4-6-10.; Кирсанов В.В., Владимиров Ф.Е., Павкин Д.Ю. и др. Сравнительный анализ и подбор систем мониторинга здоровья КРС // Вестник Всероссийского научно-исследовательского института механизации животноводства. 2019. N1(33). 27-31. EDN: ZAIQZN.; Anderson D.M., Estell R.E., Cibils A.F. Spatiotemporal cattle data - a plea for protocol standardization. Positioning. 2013. N4. 115-136. DOI:10.4236/pos.2013.41012.; Дорохов А.С., Кирсанов В.В., Владимиров Ф.Е. и др. Температура и уровень pH рубца КРС как показатели вероятности репродуктивного успеха // Вестник НГИЭИ. 2019. N6(97). С. 117-126. EDN: IURGBX.; Alem H. The role of technical efficiency achieving sustainable development: A dynamic analysis of Norwegian dairy farms. Sustainability. 2021. N13(4). 1841. DOI:10.3390/su13041841.; Батанов С.Д., Баранова И.А., Старостина О.С. Модель прогнозирования молочной продуктивности коров по их экстерьерным особенностям // Вестник Башкирского государственного аграрного университета. 2019. N1 (49). С. 55-62. DOI:10.31563/1684-7628-2019-49-1-55-62.; Харченко А.В., Фейзуллаев Ф.Р., Лепёхина Т.В. Экстерьерные особенности казахской белоголовой породы крупного рогатого скота // Инновационная наука. 2022. N6(1). С. 62-64. EDN: HCHSJB.; Чиндалиев А.Е., Калимолдинова А.С., Алипов А.У., Баймуканов А.Д. Использование линейной оценки экстерьера коров // Главный зоотехник. 2019. N8. С. 32-38. EDN: HYCFXA.; Ситдиков Ф.Ф., Цой Ю.А., Зиганшин Б.Г. Основные направления и проблемы цифровизации агропромышленного комплекса // Вестник Казанского государственного аграрного университета. 2019. Т. 14. N3. С. 112-115. DOI:10.12737/article_5db97473887137.67106533.; Shi Ch., Zhang J., Teng G. Mobile measuring system based on LabVIEW for pigbody components estimation in a large-scale farm. Computers and Electronics in Agriculture. 2019. N156. 399-405. DOI:10.1016/j.compag.2018.11.042.; Королев В.А., Башилов А.М. Видеоцифровое системно-метрическое управление агротехнологическими процессами // Вестник аграрной науки Дона. 2019. N4(48). С. 68-75. EDN: VSYVCN.; Buller H., Blokhuis H., Lokhorst K. et al. Animal welfare management in a digital world. Animals. 2020. N10. 1779. DOI:10.3390/ani10101779.; Xue T., Qiao Y., Kong H. et al. One-shot learning-based animal video segmentation. IEEE Transactions on Industrial Informatics. 2021. Vol. 18. N6. 3799-3807. DOI:10.1109/TII.2021.3117020.; Власенкова Т. А., Козырева Ю.Ю. Цифровизация как основа эффективного ведения сельского хозяйства // Менеджмент в АПК. 2021. N2. С. 11-16. DOI:10.35244/2782-3776-2021-1-2-11-16.; Zhengxia Z., Zhenwei S., Yuhong G., Jieping Y. Object detection in 20 years: a survey. Computer Vision and Pattern Recognition. 2019. 1905.05055v2. DOI:10.48550/arXiv.1905.05055.; Jones J.W., Antle J.M., Basso B. et al. Toward a new generation of agricultural system data, models, and knowledge products: State of agricultural systems science. Agricultural Systems. 2017. N155. 269-288. DOI:10.1016/j.agsy.2016.09.021.; Qiao Y., Kong H., Clark C. et al. Intelligent perception-based cattle lameness detection and behaviour recognition: a review. Animals. 2021. N11. 3033. DOI:10.3390/ani11113033.; https://www.vimsmit.com/jour/article/view/624

Διαθεσιμότητα: https://www.vimsmit.com/jour/article/view/624
https://doi.org/10.22314/2073-7599-2024-18-4-34-40

View record from BASE

5

Academic Journal

Convolutional neural network for segmentation of apple blossoms in images ; Сверточная нейронная сеть для сегментации цветков яблони на изображениях

Συγγραφείς: A. I. Kutyrev, А. И. Кутырёв

Συνεισφορές: the research was carried out under the support of the Ministry of Science and Higher Education of the Russian Federation within the state assignment of the Federal Scientific Agroengineering Center VIM (theme No. FGUN-2022-0011). The author thanks the reviewers for their contribution to the peer review of this work., работа выполнена при поддержке Минобрнауки РФ в рамках Государственного задания ФГБНУ «Федеральный научный агроинженерный центр ВИМ» (тема № FGUN-2022-0011). Автор благодарит рецензентов за их вклад в экспертную оценку этой работы.

Πηγή: Agricultural Science Euro-North-East; Том 25, № 5 (2024); 949–961 ; Аграрная наука Евро-Северо-Востока; Том 25, № 5 (2024); 949–961 ; 2500-1396 ; 2072-9081

Θεματικοί όροι: цифровой мониторинг, apple blossom recognition, thinning, machine learning, computer vision, digital monitoring, распознавание цветков яблони, прореживание, машинное обучение, компьютерное зрение

Περιγραφή αρχείου: application/pdf

Relation: https://www.agronauka-sv.ru/jour/article/view/1775/828; Pflanz M., Gebbers R., Zude M. Influence of tree-adapted flower thinning on apple yield and fruit quality considering cultivars with different predisposition in fructification. Acta Hortic. 2016;1130:605–611. DOI: https://doi.org/10.17660/ActaHortic.2016.1130.90; Link H. Significance of flower and fruit thinning on fruitquality. Plant growth regulation. 2000;31(1):17–26. DOI: https://doi.org/10.1023/A:1006334110068; Bhattarai U., Bhusal S., Majeed Y., Karkee M. Automatic Blossom Detection in Apple Trees Using Deep Learning. IFAC-PapersOnLine 2020;53(2):15810–15815. DOI: https://doi.org/10.1016/j.ifacol.2020.12.216; Lei X., Yuan Q., Xyu T., Qi Y., Zeng J., Huang K., et al. Technologies and Equipment of Mechanized Blossom Thinning in Orchards: A Review. Agronomy. 2023;13(11):2753. DOI: https://doi.org/10.3390/agronomy13112753; Robinson T. L., Gonzalez L., Cheng L., Ziang Y., Peck G., Arnoldussen B., et al. Studies in precision crop load management of apple. Acta Hortic. 2023;1366:219–226. DOI: https://doi.org/10.17660/ActaHortic.2023.1366.25; Ahmed D., Sapkota R., Churuvija M., Karkee M. Machine Vision-Based Crop-Load Estimation Using YOLOv8. 2023. pp. 1–22 DOI: https://doi.org/10.48550/arXiv.2304.13282; Anthony B., Serra S., Musacchi S. Optimizing Crop Load for New Apple Cultivar: “WA38”. Agronomy. 2019;9(2):107. DOI: https://doi.org/10.3390/agronomy9020107; Sun K., Wang X., Liu S., Liu C. Apple, Peach, and Pear Flower Detection Using Semantic Segmentation Network and Shape Constraint Level Set. Computers and Electronics in Agriculture. 2021;185:106150. DOI: https://doi.org/10.1016/j.compag.2021.106150; Chen Z., Su R., Wang Y., Chen G., Wang Z., Yin P., Wang J. Automatic Estimation of Apple Orchard Blooming Levels Using the Improved YOLOv5. Agronomy. 2022;12(10):2483. DOI: https://doi.org/10.3390/agronomy12102483; Aggelopoulou A. D., Bochtis D., Fountas S., Swain K. C., Gemtos T. A., Nanos G. D. Yield prediction in apple orchards based on image processing. Precision Agriculture. 2011;12(3):448–456. DOI: https://doi.org/10.1007/s11119-010-9187-0; Horton R., Cano E., Bulanon D., Fallahi E. Peach Flower Monitoring Using Aerial Multispectral Imaging. Journal of Imaging. 2017;3(1):2. DOI: https://doi.org/10.3390/jimaging3010002; Shurygin B., Smirnov I., Chilikin A., Khort D., Kutyrev A., Zhukovskaya S., Solovchenko A. Mutual Augmentation of Spectral Sensing and Machine Learning for Non-Invasive Detection of Apple Fruit Damages. Horticulturae. 2022;8(12):1111. DOI: https://doi.org/10.3390/horticulturae8121111; Wang X. A., Tang J., Whitty M. DeepPhenology: Estimation of Apple Flower Phenology Distributions Based on Deep Learning. Computers and Electronics in Agriculture. 2021;185:106123. DOI: https://doi.org/10.1016/j.compag.2021.106123; Zhou X., Sun G., Xu N., Zhang X., Cai J., Yuan Y., Huang Y. A Method of Modern Standardized Apple Orchard Flowering Monitoring Based on S-YOLO. Agriculture. 2023;13(2):380. DOI: https://doi.org/10.3390/agriculture13020380; Yuan W., Hua W., Heinemann P. H., He L. UAV Photogrammetry-Based Apple Orchard Blossom Density Estimation and Mapping. Horticulturae. 2023;9(2):266. DOI: https://doi.org/10.3390/horticulturae9020266; Farjon G., Krikeb O., Hillel A. B., Alchanatis V. Detection and counting of flowers on apple trees for better chemical thinning decisions. Precision Agriculture. 2020;21(3):503–521. DOI: https://doi.org/10.1007/s11119-019-09679-1; Terven J., Córdova-Esparza D-M., Romero-González J-A. A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS. Machine Learning and Knowledge Extraction. 2023;5(4):1680–1716. DOI: https://doi.org/10.3390/make5040083; Wang J., Gao Z., Zhang Y., Zhou J., Wu J., Li P. Real-Time Detection and Location of Potted Flowers Based on a ZED Camera and a YOLO V4-Tiny Deep Learning Algorithm. Horticulturae. 2022;8(1):21. DOI: https://doi.org/10.3390/horticulturae8010021; Wu D. H., Lv S. C., Jiang M., Song H. B. Using channel pruning-based YOLO v4 deep learning algorithm for the real-time and accurate detection of apple flowers in natural environments. Computers and Electronics in Agriculture. 2020;178:105742. DOI: https://doi.org/10.1016/j.compag.2020.105742; Lin T.-Y., Maire M., Belongie S., Hays J., Perona P., Ramanan D., et al. Microsoft coco: Common objects in context. In European conference on computer vision. Springer, 2014. pp. 740–755. DOI: https://doi.org/10.48550/arXiv.1405.0312; Maxwell A. E., Warner T. A., Guillén L. A. Accuracy Assessment in Convolutional Neural Network-Based Deep Learning Remote Sensing Studies - Part 1: Literature Review. Remote Sensing. 2021;13(13):2450. DOI: https://doi.org/10.3390/rs13132450; Хорт Д. О., Кутырёв А. И., Смирнов И. Г., Моисеев Г. В., Соловьев В. И. Управление движением сельскохозяйственной автономной роботизированной платформы. Сельскохозяйственные машины и технологии. 2023;17(1):25–34. DOI: https://doi.org/10.22314/2073-7599-2023-17-1-25-34 EDN: UXTFRN; Хорт Д. О., Кутырёв А. И., Смирнов И. Г., Воронков И. В. Разработка системы автоматизированного управления агротехнологиями в садоводстве. Сельскохозяйственные машины и технологии. 2021;15(2):61–68. DOI: https://doi.org/10.22314/2073-7599-2021-15-2-61-68 EDN: AQNSNT

Διαθεσιμότητα: https://www.agronauka-sv.ru/jour/article/view/1775
https://doi.org/10.30766/2072-9081.2024.25.5.949-961

View record from BASE

6

Цифровой мониторинг параметров микроклимата образовательных организаций: выпускная квалификационная работа магистра

Θεματικοί όροι: цифровой мониторинг, интернет вещей iot, bim технологии, мониторинг, bas-model, bim-technology, internet of things iot, цифровые двойники, digital twins, bas-модели, dynamo revit, python, monitoring, 3d-моделирование, микроклимат, digital monitoring, 3d-modeling, microclimate

7

Report

ПОТЕНЦИАЛ ИСПОЛЬЗОВАНИЯ СУЩЕСТВУЮЩИХ ГАЗОПРОВОДОВ ДЛЯ ТРАНСПОРТИРОВКИ ВОДОРОДА

Θεματικοί όροι: водородная охрупчивость, цифровой мониторинг, composite materials, водородная энергетика, hydrogen embrittlement, leak detection systems, hydrogen energy, композитные материалы, газопроводная инфраструктура, digital monitoring, conversion, системы обнаружения утечек, gas pipeline infrastructure, перепрофилирование

8

Academic Journal

Digital monitoring as mechanism for developing energy balance of national economy

Συγγραφείς: Timchenko, Oleksandr, Lir, Viktor

Πηγή: Cхід, Vol 0, Iss 1(153), Pp 23-29 (2018)
Skhid; № 1(153) (2018); 23-29
Схид; № 1(153) (2018); 23-29
Схід; № 1(153) (2018); 23-29

Θεματικοί όροι: 9. Industry and infrastructure, цифрова економіка, інновації, облік енергоресурсів, цифровий моніторинг, інформаційно-комунікаційні технології, енергетичний баланс, енергоефективність, Philosophy. Psychology. Religion, цифровая экономика, инновации, учет энергоресурсов, цифровой мониторинг, информационно-коммуникационные технологии, энергетический баланс, энергоэффективность, 7. Clean energy, 338.4:334:311.3, 12. Responsible consumption, digital economy, innovations, energy resource accounting, digital monitoring, information and communication technologies, energy balance, energy efficiency, 13. Climate action, 11. Sustainability, 8. Economic growth, History (General) and history of Europe

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: http://skhid.kubg.edu.ua/article/download/127160/122088
https://doaj.org/article/e8c39b4b5b894c29978fbcb1e875c0c2
http://skhid.kubg.edu.ua/article/download/127160/122088
http://skhid.kubg.edu.ua/article/view/127160
https://philpapers.org/rec/TIM-14
http://skhid.kubg.edu.ua/article/view/127160

View record at OpenAIRE Full Text Finder

9

Academic Journal

Цифровой экологический мониторинг Байкальской природной территории как инструмент регионального социально-экономического развития

Θεματικοί όροι: цифровой мониторинг, экология, экологический мониторинг, цифровая платформа, цифровой экологический мониторинг, информационно-телекоммуникационные технологии, Байкальская природная территория, региональное социально-экономическое развитие

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: https://elib.belstu.by/handle/123456789/44698

10

Academic Journal

ЦИФРОВОЙ МОНИТОРИНГ ПОКАЗАТЕЛЕЙ АГРОФИТОЦЕНОЗОВ НА ОСНОВЕ БЕСПИЛОТНЫХ ТЕХНОЛОГИЙ: DIGITAL MONITORING OF AGRO-PHYTOCENOSIS INDICATORS BASED ON UNMANNED TECHNOLOGIES

Πηγή: Плодородие.

Θεματικοί όροι: 2. Zero hunger, цифровая трансформация АПК, grain yield, беспилотные авиационные системы, 15. Life on land, unmanned aerial systems, мультиспектральная съемка, структура урожая, вегетационные индексы, урожайность зерна, vegetation indices, unmanned technologies, multispectral imaging, цифровой мониторинг показателей агроэкосистем, digital transformation of the agricultural sector, digital monitoring of agroecosystem indicators, crop structure, беспилотные технологии

11

Отдельные вопросы разработки теоретической модели интеллектуальной системы цифрового мониторинга знаний

Συγγραφείς: Roman I. Kondratov, FGBOU VO \\'Kurskii gosudarstvennyi universitet\\'

Συνεισφορές: Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта№19-29-14188/мк «Совершенствование содержания общего образования на основе использования интеллектуальных систем для цифрового мониторинга образовательного процесса».

Πηγή: The Topical Issues of the Humanities and Social Sciences: from Theory to Practice; 98-102
Актуальные вопросы гуманитарных и социальных наук: от теории к практике; 98-102

Θεματικοί όροι: intelligent learning systems, теория множеств, интеллектуальные обучающие системы, oriented graph, ориентированный граф, set theory, semantic network, индивидуальные образовательные траектории, individual educational trajectories, digital knowledge monitoring, цифровой мониторинг знаний, семантическая сеть