Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Classification of Signals01:30

Classification of Signals

1.6K
In signal processing, signals are classified based on various characteristics: continuous-time versus discrete-time, periodic versus aperiodic, analog versus digital, and causal versus noncausal. Each category highlights distinct properties crucial for understanding and manipulating signals.
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...
1.6K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

A systems proteolipidomic approach identifies novel circulatory biomarkers for idiopathic dilated cardiomyopathy.

American journal of physiology. Heart and circulatory physiology·2025
Same author

A hybrid variational mode decomposition framework for enhanced cardiac output estimation using impedance cardiography.

Scientific reports·2025
Same author

Exploring the potential of lightweight large language models for AI-based mental health counselling task: a novel comparative study.

Scientific reports·2025
Same author

An efficient deep learning system for automatic detection of Acute Lymphoblastic Leukemia.

ISA transactions·2025
Same author

A robust Parkinson's disease detection model based on time-varying synaptic efficacy function in spiking neural network.

BMC neurology·2024
Same author

Ensemble approach of deep learning models for binary and multiclass classification of histopathological images for breast cancer.

Pathology, research and practice·2024

Video Experimental Relacionado

Updated: May 3, 2026

Flying Insect Detection and Classification with Inexpensive Sensors
05:16

Flying Insect Detection and Classification with Inexpensive Sensors

Published on: October 15, 2014

25.3K

Análisis de la señal de audio utilizando un algoritmo modificado de segmentación avanzada para la detección de plagas

Tusar Kanti Dash1, Anurag Raj2, Satyajit Mahapatra3

  • 1Electronics and Communication Engineering, C V Raman Global University, Bhubaneswar, 752054, India.

Scientific reports
|August 27, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Este estudio introduce un método mejorado de detección de plagas basado en audio para el suelo. Reduce las necesidades computacionales en un 20% y mejora la precisión de detección en un 5% utilizando algoritmos avanzados.

Palabras clave:
¿Qué es eso?Las normas ASRProcesamiento de señales de audioAlgoritmo hacia adelante y hacia atrásCantidadDetección de plagasEste es elLa agricultura inteligente

Más Videos Relacionados

RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
11:37

RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols

Published on: August 8, 2017

16.3K
SwarmSight: Real-time Tracking of Insect Antenna Movements and Proboscis Extension Reflex Using a Common Preparation and Conventional Hardware
08:13

SwarmSight: Real-time Tracking of Insect Antenna Movements and Proboscis Extension Reflex Using a Common Preparation and Conventional Hardware

Published on: December 25, 2017

8.3K

Videos de Experimentos Relacionados

Last Updated: May 3, 2026

Flying Insect Detection and Classification with Inexpensive Sensors
05:16

Flying Insect Detection and Classification with Inexpensive Sensors

Published on: October 15, 2014

25.3K
RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
11:37

RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols

Published on: August 8, 2017

16.3K
SwarmSight: Real-time Tracking of Insect Antenna Movements and Proboscis Extension Reflex Using a Common Preparation and Conventional Hardware
08:13

SwarmSight: Real-time Tracking of Insect Antenna Movements and Proboscis Extension Reflex Using a Common Preparation and Conventional Hardware

Published on: December 25, 2017

8.3K

Área de la Ciencia:

  • Ciencias Agrícolas
  • Acústico
  • Aprendizaje automático

Sus antecedentes:

  • Las plagas del suelo causan pérdidas económicas significativas en la agricultura anualmente.
  • La detección eficaz de plagas es crucial para la salud de los cultivos, la optimización del rendimiento y la sostenibilidad.
  • Los métodos no invasivos, en particular la detección basada en audio, ofrecen una alternativa de bajo costo a las técnicas invasivas tradicionales.

Objetivo del estudio:

  • Desarrollar un sistema de detección de plagas basado en audio eficiente y preciso para el suelo.
  • Para reducir la sobrecarga computacional en el procesamiento de señales de sonido de plagas.
  • Mejorar la precisión de la detección de plagas mediante nuevas modificaciones algorítmicas.

Principales métodos:

  • Implementado un algoritmo mejorado de detección de actividad de audio utilizando características de energía de corto tiempo para la segmentación de señales.
  • Utilizó el algoritmo Forward Forward (FFA) por su estabilidad numérica y eficiencia computacional.
  • Mejorado el FFA mediante la incorporación de la raíz media cuadrada en los cálculos de la función de calidad y pérdida para mejorar la detección de plagas.

Principales resultados:

  • El algoritmo de detección de actividad de audio logró una reducción promedio del 20% en los requisitos computacionales en comparación con los modelos de referencia.
  • El FFA modificado demostró un rendimiento mejorado de un 5% en la precisión de detección de plagas.
  • El método propuesto mostró un rendimiento consistentemente superior en comparación con varios modelos de referencia en el análisis comparativo.

Conclusiones:

  • El sistema de detección de plagas basado en audio desarrollado ofrece una solución computacionalmente eficiente y precisa para la identificación de plagas del suelo.
  • La integración de las características de energía de corto plazo y el FFA modificado mejora significativamente las capacidades de detección de plagas.
  • Este enfoque contribuye a una agricultura sostenible al permitir estrategias eficaces y económicas de control de plagas.