論文の概要: Real-Time Apple Detection System Using Embedded Systems With Hardware
Accelerators: An Edge AI Application
- arxiv url: http://arxiv.org/abs/2004.13410v1
- Date: Tue, 28 Apr 2020 10:40:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 23:36:44.980268
- Title: Real-Time Apple Detection System Using Embedded Systems With Hardware
Accelerators: An Edge AI Application
- Title（参考訳）: ハードウェアアクセラレータを用いた組み込みシステムを用いたリアルタイムApple検出システム:エッジAIアプリケーション
- Authors: Vittorio Mazzia, Francesco Salvetti, Aleem Khaliq, Marcello Chiaberge
- Abstract要約: 提案した研究は、小さな物体を検出するためにYOLOv3-tinyアーキテクチャを適用した。
これは、安価で電力効率のよい組み込みハードウェアにカスタマイズされたモデルをデプロイできる可能性を示している。
提案した組込みソリューションは、無人の地上車両に展開して、リンゴの大きさを検出し、数え、測定することができる。
- 参考スコア（独自算出の注目度）: 1.3764085113103222
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-time apple detection in orchards is one of the most effective ways of
estimating apple yields, which helps in managing apple supplies more
effectively. Traditional detection methods used highly computational machine
learning algorithms with intensive hardware set up, which are not suitable for
infield real-time apple detection due to their weight and power constraints. In
this study, a real-time embedded solution inspired from "Edge AI" is proposed
for apple detection with the implementation of YOLOv3-tiny algorithm on various
embedded platforms such as Raspberry Pi 3 B+ in combination with Intel Movidius
Neural Computing Stick (NCS), Nvidia's Jetson Nano and Jetson AGX Xavier. Data
set for training were compiled using acquired images during field survey of
apple orchard situated in the north region of Italy, and images used for
testing were taken from widely used google data set by filtering out the images
containing apples in different scenes to ensure the robustness of the
algorithm. The proposed study adapts YOLOv3-tiny architecture to detect small
objects. It shows the feasibility of deployment of the customized model on
cheap and power-efficient embedded hardware without compromising mean average
detection accuracy (83.64%) and achieved frame rate up to 30 fps even for the
difficult scenarios such as overlapping apples, complex background, less
exposure of apple due to leaves and branches. Furthermore, the proposed
embedded solution can be deployed on the unmanned ground vehicles to detect,
count, and measure the size of the apples in real-time to help the farmers and
agronomists in their decision making and management skills.
- Abstract（参考訳）: 果樹園におけるリアルタイムリンゴ検出は、リンゴの収穫量を推定する最も効果的な方法の1つである。
従来の検出手法では、ハードウェアを集中的にセットアップした高度計算機械学習アルゴリズムが用いられていたが、その重みとパワーの制約により、内野でのリアルタイムリンゴ検出には適していない。
本研究では、Raspberry Pi 3 B+やIntel Movidius Neural Computing Stick(NCS)、NvidiaのJetson Nano、Jetson AGX Xavierなど、さまざまな組み込みプラットフォーム上でのYOLOv3-tinyアルゴリズムの実装により、"Edge AI"にインスパイアされたリアルタイム組込みソリューションを提案する。
学習用データセットは、イタリア北部のリンゴ果樹園のフィールドサーベイ中に取得した画像を用いてコンパイルされ、テストに使用される画像は、さまざまな場面でリンゴを含む画像をフィルタリングして、アルゴリズムの堅牢性を確保することによって、広く使われているGoogleデータセットから抽出された。
提案する研究は、yolov3-tinyアーキテクチャを小さな物体の検出に適用する。
これは、平均検出精度(83.64%)を損なうことなく、安価で電力効率の良い組み込みハードウェアにカスタマイズされたモデルが展開可能であることを示し、リンゴの重なり合い、複雑な背景、葉や枝によるリンゴの露出を減らすといった難しいシナリオでも、最大30fpsのフレームレートを達成した。
さらに,提案する組込みソリューションを無人地上車両にデプロイして,リンゴの大きさをリアルタイムで検出,カウント,測定することにより,農家や農学者が意思決定や管理のスキルを身につけることができる。
関連論文リスト
- Zero-Shot Detection of AI-Generated Images [54.01282123570917]
AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。
機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。
ZEDは精度の点でSoTAよりも平均3%以上改善されている。
論文 参考訳（メタデータ） (2024-09-24T08:46:13Z) - ESOD: Efficient Small Object Detection on High-Resolution Images [36.80623357577051]
小さなオブジェクトは通常、わずかに分散され、局所的にクラスタ化される。
画像の非対象背景領域において、大量の特徴抽出計算を無駄にする。
本稿では,検出器のバックボーンを再利用して,特徴レベルのオブジェクト探索とパッチスライシングを行う方法を提案する。
論文 参考訳（メタデータ） (2024-07-23T12:21:23Z) - High-Speed Detector For Low-Powered Devices In Aerial Grasping [16.940649285960028]
Fast Fruit Detector (FFD) は、資源効率が高く、シングルステージで、後処理のない物体検出器である。
FFDは最新の10W NVIDIA Jetson-NX組み込みデバイスで100FPS@FP32精度を達成した。
論文 参考訳（メタデータ） (2024-02-22T14:44:50Z) - S$^3$AD: Semi-supervised Small Apple Detection in Orchard Environments [3.1979650133817206]
作物検出は、自動収量推定や果物の摘みなど、精密農業用途に不可欠である。
本研究では,リンゴ検出タスクを半教師付きで再構築することで課題に対処する。
14,667個のアノテートリンゴインスタンスと4,440個の未ラベル画像からなる105個のラベル付き画像からなる、大規模で高解像度のデータセットMADを提供する。
また,小型リンゴの検出の難易度を高めるため,コンテキストアテンションと選択タイリングに基づく半スーパービジョン型小型アップル検出システムS$3$ADを提案する。
論文 参考訳（メタデータ） (2023-11-08T21:25:27Z) - KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。
1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。
その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
論文 参考訳（メタデータ） (2023-07-16T04:27:03Z) - ETAD: A Unified Framework for Efficient Temporal Action Detection [70.21104995731085]
時間的行動検出(TAD)のようなトリミングされていないビデオ理解は、しばしば計算資源に対する膨大な需要の苦痛に悩まされる。
我々は、効率的なエンド・ツー・エンドの時間的行動検出(ETAD)のための統合されたフレームワークを構築している。
ETADはTHUMOS-14とActivityNet-1.3の両方で最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-05-14T21:16:21Z) - Embracing Single Stride 3D Object Detector with Sparse Transformer [63.179720817019096]
自律走行のためのLiDARを用いた3次元物体検出では、物体サイズと入力シーンサイズとの比が2次元検出の場合に比べて有意に小さい。
多くの3D検出器は2D検出器の一般的な慣習に従っており、点雲の定量化後も特徴マップを分解する。
本稿では,SST(Single-stride Sparse Transformer)を提案する。
論文 参考訳（メタデータ） (2021-12-13T02:12:02Z) - Analysis of voxel-based 3D object detection methods efficiency for
real-time embedded systems [93.73198973454944]
本稿では, ボクセルをベースとした2つの3次元物体検出手法について述べる。
実験の結果,これらの手法は入力点雲が遠距離にあるため,遠距離の小さな物体を検出できないことが確認できた。
この結果から,既存手法の計算のかなりの部分は,検出に寄与しないシーンの位置に着目していることが示唆された。
論文 参考訳（メタデータ） (2021-05-21T12:40:59Z) - A Real-time Low-cost Artificial Intelligence System for Autonomous
Spraying in Palm Plantations [1.6799377888527687]
精密作物保護では、画像処理における(ターゲット指向)物体検出は、無人航空機(UAV、作物保護ドローン)を適切な場所にナビゲートし、農薬を適用するのに役立ちます。
本稿では,Ag-YOLO(Ag-YOLO)と呼ばれる軽深度ニューラルネットワーク(DNN)に基づく手法を提案する。
論文 参考訳（メタデータ） (2021-03-06T15:05:14Z) - Achieving Real-Time LiDAR 3D Object Detection on a Mobile Device [53.323878851563414]
本稿では,強化学習技術を用いたネットワーク拡張とpruning検索を組み込んだコンパイラ対応統一フレームワークを提案する。
具体的には,リカレントニューラルネットワーク(RNN)を用いて,ネットワークの強化とプルーニングの両面での統一的なスキームを自動で提供する。
提案手法は,モバイルデバイス上でのリアルタイム3次元物体検出を実現する。
論文 参考訳（メタデータ） (2020-12-26T19:41:15Z) - DeepApple: Deep Learning-based Apple Detection using a Suppression Mask
R-CNN [15.58696661701869]
この書簡は、Deep Appleという新しいディープラーニングベースのリンゴ検出フレームワークの開発について報告する。
まず、カラーカメラを用いて、異なる照明条件下で「ガラ」と「ブロンディー」のリンゴ果樹園の包括的なデータセットを収集する。
そこで我々は,リンゴ検出のための新しい抑制Mask R-CNNを開発した。
論文 参考訳（メタデータ） (2020-10-19T21:07:46Z)
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。