論文の概要: Apricot variety classification using image processing and machine learning approaches

• arxiv url: http://arxiv.org/abs/1912.11953v1
• Date: Fri, 27 Dec 2019 00:51:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-10 00:22:47.407651
• Title: Apricot variety classification using image processing and machine learning approaches
• Title（参考訳）: 画像処理と機械学習によるアプリコット多様性分類
• Authors: Seyed Vahid Mirnezami, Ali HamidiSepehr and Mahdi Ghaebi
• Abstract要約: ズルダリ(Zerdali)の栽培種であるアプリコトは、人間の栄養に重要な位置を占め、その医療的特性は人間の健康に不可欠である。 本研究の目的は, 果実の外見的特徴を用いた画像処理技術を用いて, プリコト塊のモデルと, プリコト品種の分離を行うことである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Apricot which is a cultivated type of Zerdali (wild apricot) has an important place in human nutrition and its medical properties are essential for human health. The objective of this research was to obtain a model for apricot mass and separate apricot variety with image processing technology using external features of apricot fruit. In this study, five verities of apricot were used. In order to determine the size of the fruits, three mutually perpendicular axes were defined, length, width, and thickness. Measurements show that the effect of variety on all properties was statistically significant at the 1% probability level. Furthermore, there is no significant difference between the estimated dimensions by image processing approach and the actual dimensions. The developed system consists of a digital camera, a light diffusion chamber, a distance adjustment pedestal, and a personal computer. Images taken by the digital camera were stored as (RGB) for further analysis. The images were taken for a number of 49 samples of each cultivar in three directions. A linear equation is recommended to calculate the apricot mass based on the length and the width with R 2 = 0.97. In addition, ANFIS model with C-means was the best model for classifying the apricot varieties based on the physical features including length, width, thickness, mass, and projected area of three perpendicular surfaces. The accuracy of the model was 87.7.
• Abstract（参考訳）: ズルダリ(Zerdali)の栽培種であるアプリコトは、人間の栄養に重要な位置を占め、その医療的特性は人間の健康に不可欠である。 本研究の目的は, 果実の外部特性を用いた画像処理技術を用いて, プリコト質量モデルとプリコト品種を分離することである。 本研究は,5種類のアプリコトを用いた。 果実のサイズを決定するために, 長さ, 幅, 厚さの3つの垂直軸が定義された。 測定の結果,全特性に対する多様性の影響は1%の確率レベルで統計的に有意であった。 また,画像処理による推定次元と実際の次元との間に有意な差は認められなかった。 開発したシステムは、デジタルカメラ、光拡散室、距離調整台座、パーソナルコンピュータからなる。 デジタルカメラで撮影した画像は、さらなる分析のために(RGB)として保存された。 画像は、各品種の49種類のサンプルを3方向に撮影した。 r2 = 0.97 で長さと幅に基づいてアプリコット質量を計算するために線形方程式が推奨される。 また, c-meansを用いたanfisモデルは, 3つの垂直面の長さ, 幅, 厚さ, 質量, 投影面積などの物理的特徴からアプリコット多様体を分類する最善のモデルであった。 このモデルの精度は87.7であった。

関連論文リスト

• Classifying Healthy and Defective Fruits with a Multi-Input Architecture and CNN Models [0.0]
  主な目的は、CNNモデルの精度を高めることである。 その結果,Multi-Input アーキテクチャにシルエット画像を含めることで,優れた性能のモデルが得られることがわかった。
  論文  参考訳（メタデータ） (2024-10-14T21:37:12Z)
• VolETA: One- and Few-shot Food Volume Estimation [4.282795945742752]
  本稿では,3次元生成技術を用いた食品量推定手法であるVolETAについて述べる。 当社のアプローチでは,1枚または数枚のRGBD画像を用いて,食品の3Dメッシュをスケールアップする。 MTFデータセットを用いて10.97%のMAPEを用いて、ロバストで正確なボリューム推定を行う。
  論文  参考訳（メタデータ） (2024-07-01T18:47:15Z)
• Convolutional Neural Network Ensemble Learning for Hyperspectral Imaging-based Blackberry Fruit Ripeness Detection in Uncontrolled Farm Environment [4.292727554656705]
  本稿では,ブラックベリー果実の熟しやすさの微妙な特徴を検出するために,新しいマルチインプット畳み込みニューラルネットワーク(CNN)アンサンブル分類器を提案する。 提案したモデルは、未確認セットで95.1%の精度、フィールド条件で90.2%の精度を達成した。
  論文  参考訳（メタデータ） (2024-01-09T12:00:17Z)
• A General Protocol to Probe Large Vision Models for 3D Physical Understanding [84.54972153436466]
  市販の大型視覚モデルの特徴が3Dシーンの物理的な「プロパティ」をエンコードするかどうかを評価するための一般的なプロトコルを提案する。 このプロトコルは、シーン幾何学、シーン素材、サポート関係、照明、ビュー依存尺度を含むプロパティに適用する。 安定拡散とDINOv2の特徴は,多くの特性の識別学習に有効であることがわかった。
  論文  参考訳（メタデータ） (2023-10-10T17:59:28Z)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。 最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。 我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。 また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
  論文  参考訳（メタデータ） (2023-09-14T13:29:41Z)
• An Application of Deep Learning for Sweet Cherry Phenotyping using YOLO Object Detection [8.943378640301734]
  樹木の果実の育種は、多くのサンプルにおいて、様々な果実品質特性の反復測定を含む長期的な活動である。 これらの特徴は、伝統的に、手動で果実を数え、間接的に果実の大きさを測ることによって測定される。 ディープラーニングの最近の進歩は、このプロセスの自動化に役立つ。 YOLOv3を用いて,カメラの視野におけるサツマイモの実の数をリアルタイムで計測する手法を開発した。
  論文  参考訳（メタデータ） (2023-02-13T21:24:09Z)
• Measuring Perceptual Color Differences of Smartphone Photographs [55.9434603885868]
  知覚CD評価のための最大の画像データセットをまとめた。 我々は、軽量ニューラルネットワークに基づいて、エンドツーエンドで学習可能なCD公式を構築するための最初の試みの1つである。
  論文  参考訳（メタデータ） (2022-05-26T16:57:04Z)
• Generalizable Neural Performer: Learning Robust Radiance Fields for Human Novel View Synthesis [52.720314035084215]
  この研究は、一般のディープラーニングフレームワークを使用して、任意の人間の演奏者の自由視点画像を合成することを目的としている。 我々は、汎用的で堅牢な神経体表現を学習するシンプルな、かつ強力なフレームワーク、Generalizable Neural Performer(GNR)を提案する。 GeneBody-1.0とZJU-Mocapの実験は、最近の最先端の一般化可能な手法よりも、我々の手法の堅牢性を示している。
  論文  参考訳（メタデータ） (2022-04-25T17:14:22Z)
• Using depth information and colour space variations for improving outdoor robustness for instance segmentation of cabbage [62.997667081978825]
  本研究は, 異なる環境条件下での作物のインスタンスセグメンテーションの改善に焦点をあてる。 深度情報と異なる色空間表現の影響を分析した。 その結果,色情報と組み合わせることでセグメンテーション精度が7.1%向上した。
  論文  参考訳（メタデータ） (2021-03-31T09:19:12Z)
• Classification of Seeds using Domain Randomization on Self-Supervised Learning Frameworks [0.0]
  鍵となるボトルネックは、畳み込みニューラルネットワーク(CNN)をトレーニングする大量のラベル付きデータの必要性である。 この研究は、これを達成するために、コントラスト学習とドメインランダム化の概念を活用している。 実世界の画像の表象的サンプル作物から生成された合成画像の使用は、大量のテスト対象の必要性を軽減する。
  論文  参考訳（メタデータ） (2021-03-29T12:50:06Z)
• Pollen13K: A Large Scale Microscope Pollen Grain Image Dataset [63.05335933454068]
  この研究は、1万3千以上の天体を含む最初の大規模花粉画像データセットを提示する。 本稿では, エアロバイオロジカルサンプリング, 顕微鏡画像取得, 物体検出, セグメンテーション, ラベル付けなど, 採用データ取得のステップに注目した。
  論文  参考訳（メタデータ） (2020-07-09T10:33:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。