2018
DOI: 10.48084/etasr.1647
|View full text |Cite
|
Sign up to set email alerts
|

Weed Detection Using SVMs

Abstract: The major concern in Pakistani agriculture is the reduction of growing weed. This research aims to provide a weed detection tool for future agri-robots. The weed detection tool incorporates the use of machine-learning procedure explicitly implementing Support Vector Machines (SVMs) and blob analysis for the effective classification of crop and weed. Weed revealing is based on characteristic features i.e. red green blue (RGB) components which differentiate soil and plant. Morphological features—centroidand leng… Show more

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
1
1
1
1

Citation Types

0
10
0
1

Year Published

2020
2020
2024
2024

Publication Types

Select...
4
3
1
1

Relationship

0
9

Authors

Journals

citations
Cited by 18 publications
(11 citation statements)
references
References 4 publications
0
10
0
1
Order By: Relevance
“…Необходимо использовать стационарный компьютер с достаточной мощностью GPU для выполнения вычислений. В отличие от этих работ, Murawwat et al [15] использует процедуры машинного обучения для реализации опорных векторных машин (SVM) и BLOB объекты для задачи обнаружения урожая с низким энергопотреблением ЦП. Bhongal et al [17] использовали аналогичный стандарт функции и использовали сегментацию и последующее использование нейронной сети для обработки изображений, так же сделали и Амбика и др.…”
Section: предварительная обработка изображений в задачах распознавания сорняковunclassified
“…Необходимо использовать стационарный компьютер с достаточной мощностью GPU для выполнения вычислений. В отличие от этих работ, Murawwat et al [15] использует процедуры машинного обучения для реализации опорных векторных машин (SVM) и BLOB объекты для задачи обнаружения урожая с низким энергопотреблением ЦП. Bhongal et al [17] использовали аналогичный стандарт функции и использовали сегментацию и последующее использование нейронной сети для обработки изображений, так же сделали и Амбика и др.…”
Section: предварительная обработка изображений в задачах распознавания сорняковunclassified
“…Accuracy (ACC) 13 [32], [33], [34], [35], [36], [37], [38], [39][40], [41], [42], [43], [44] Precision 7 [32], [7], [45], [46], [47], [48], [42] F1-score 6 [46], [47], [49], [48], [41], [42] Confusion Matrix 5 [33], [7], [35], [47], [39] Recall (RC) 4 [32], [45], [46], [48] Area under the curve (AUC) 2 [36], [50] Receiver operating characteristic (ROC) 2 [36], [50] Sensitivity 2 [7], [42] Specificity 1 [42] Coefficient of determination (R2) 1 [35] Matthews correlation coefficient (MCC) 1 [46] Means squared error (MSE) 1 [34] Root means squared error (RMSE) 1 [35] 6. RQ3: What are the challenges?…”
Section: Referencementioning
confidence: 99%
“…• On-ground: Murawaat et al [63] • UAV: Gökto ǧan et al [64] • Government satellite: Xie et al [3] Deep learning (e.g., convolutional neural networks (CNN))…”
Section: Image Classificationmentioning
confidence: 99%
“…Some methods, such as maximum likelihood, are well established, while the use of approaches such as CNNs are increasing. Two very commonly used approaches are RF [44,46,48,51,62] and SVM [3,63,64]. SVM, in particular, is able to be effectively applied with limited amounts of calibration data [68], which is an important consideration for detection of rarer species, including small populations of weed species.…”
mentioning
confidence: 99%