Fugu-MT 論文翻訳(概要): Apple Defect Detection Using Deep Learning Based Object Detection For Better Post Harvest Handling

論文の概要: Apple Defect Detection Using Deep Learning Based Object Detection For Better Post Harvest Handling

arxiv url: http://arxiv.org/abs/2005.06089v1
Date: Tue, 12 May 2020 23:34:43 GMT
ステータス: 処理完了
システム内更新日: 2022-12-03 19:45:12.585299
Title: Apple Defect Detection Using Deep Learning Based Object Detection For Better Post Harvest Handling
Title（参考訳）: 深層学習に基づく物体検出による収穫後処理改善のためのリンゴ欠陥検出
Authors: Paolo Valdez
Abstract要約: リンゴは収穫または収穫後の期間に生じる幅広い欠陥に感受性がある。最近のコンピュータビジョンとディープラーニングは、欠陥のあるリンゴから健康なリンゴを検出するのに役立つ。
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: The inclusion of Computer Vision and Deep Learning technologies in Agriculture aims to increase the harvest quality, and productivity of farmers. During postharvest, the export market and quality evaluation are affected by assorting of fruits and vegetables. In particular, apples are susceptible to a wide range of defects that can occur during harvesting or/and during the post-harvesting period. This paper aims to help farmers with post-harvest handling by exploring if recent computer vision and deep learning methods such as the YOLOv3 (Redmon & Farhadi (2018)) can help in detecting healthy apples from apples with defects.
Abstract（参考訳）: 農業におけるコンピュータビジョンとディープラーニング技術の導入は、農家の収穫品質と生産性を高めることを目的としている。収穫後、輸出市場と品質評価は果物や野菜の品揃えに影響される。特に、リンゴは収穫または/または収穫後の期間に発生する幅広い欠陥に感受性がある。本研究の目的は,近年のコンピュータビジョンや YOLOv3 (Redmon & Farhadi (2018) などの深層学習手法が,リンゴの欠陥から健康なリンゴを検出するのに役立つかどうかを探ることである。

関連論文リスト

Precise Apple Detection and Localization in Orchards using YOLOv5 for Robotic Harvesting Systems [0.0]
対象検出モデル YOLOv5 を用いたリンゴ検出と位置推定のための新しい手法を提案する。以上の結果から, YOLOv5モデルではリンゴ検出精度が約85%向上した。
論文参考訳（メタデータ） (2024-05-10T06:17:00Z)
HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文参考訳（メタデータ） (2023-08-23T11:03:28Z)
Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities [86.89427012495457]
我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
論文参考訳（メタデータ） (2023-05-03T05:16:54Z)
Panoptic Mapping with Fruit Completion and Pose Estimation for Horticultural Robots [33.21287030243106]
植物や果実を高解像度でモニタリングすることは、農業の未来において重要な役割を担っている。正確な3D情報は、自律収穫から正確な収量推定まで、農業における多様なロボット応用への道を開くことができる。移動ロボットによって構築された3次元多次元マップにおいて,果実の完全な3次元形状とそのポーズを共同で推定する問題に対処する。
論文参考訳（メタデータ） (2023-03-15T20:41:24Z)
Fruit Ripeness Classification: a Survey [59.11160990637616]
食品を格付けするための特徴記述子を多用する多くの自動的手法が提案されている。機械学習とディープラーニング技術がトップパフォーマンスの手法を支配している。ディープラーニングは生のデータで操作できるため、複雑なエンジニアリング機能を計算する必要がなくなる。
論文参考訳（メタデータ） (2022-12-29T19:32:20Z)
An Ensemble of Convolutional Neural Networks to Detect Foliar Diseases in Apple Plants [0.0]
Apple(アップル)の病気は、早期に診断されなかったとしても、大量の資源が失われ、感染したリンゴを消費する人間や動物に深刻な脅威をもたらす可能性がある。 Xception, InceptionResNet および MobileNet アーキテクチャのアンサンブルシステムを提案する。このシステムは、マルチクラスとマルチラベルの分類において卓越した成果を上げており、大きなリンゴのプランテーションをリアルタイムで監視するために使用することができる。
論文参考訳（メタデータ） (2022-10-01T15:40:04Z)
Farmer's Assistant: A Machine Learning Based Application for Agricultural Solutions [0.0]
我々は、これらの問題に対処するため、オープンソースの使いやすいWebアプリケーションを作成し、作物の生産を改善するのに役立ちます。特に,作物の推薦,肥料の推薦,植物病の予知,対話型ニューズフィードを支持している。
論文参考訳（メタデータ） (2022-04-24T19:31:10Z)
Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文参考訳（メタデータ） (2021-06-14T21:57:40Z)
A Deep Learning-based Detector for Brown Spot Disease in Passion Fruit Plant Leaves [0.5485240256788552]
この研究は2つの主要な病気(ウイルス)と茶色の斑点(真菌)に焦点を当てている。我々はウガンダ国立作物研究所(NaCRRI)と共同で、熱心にラベル付けされた果物の葉と果実のデータセットを開発しました。
論文参考訳（メタデータ） (2020-07-28T10:17:43Z)
Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [110.30849704592592]
本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
論文参考訳（メタデータ） (2020-01-05T20:19:33Z)

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。