論文の概要: Strawberry Detection Using a Heterogeneous Multi-Processor Platform

• arxiv url: http://arxiv.org/abs/2011.03651v1
• Date: Sat, 7 Nov 2020 01:08:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 22:50:42.018773
• Title: Strawberry Detection Using a Heterogeneous Multi-Processor Platform
• Title（参考訳）: 異種マルチプロセッサプラットフォームを用いたイチゴ検出
• Authors: Samuel Brandenburg, Pedro Machado, Nikesh Lama, T.M. McGinnity
• Abstract要約: 本稿では,精密農業ロボットに適用するための画像処理技術と組み合わせて,You Only Look Once Version 3 (YOLOv3) Convolutional Neural Network (CNN) を提案する。 その結果、プロセッサ側で実行されている同じアルゴリズムと比較して、FPGA(Field-Programmable Gate Array)上で実装された場合、性能が5倍向上することがわかった。
• 参考スコア（独自算出の注目度）: 1.5171938155576565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the last few years, the number of precision farming projects has increased specifically in harvesting robots and many of which have made continued progress from identifying crops to grasping the desired fruit or vegetable. One of the most common issues found in precision farming projects is that successful application is heavily dependent not just on identifying the fruit but also on ensuring that localisation allows for accurate navigation. These issues become significant factors when the robot is not operating in a prearranged environment, or when vegetation becomes too thick, thus covering crop. Moreover, running a state-of-the-art deep learning algorithm on an embedded platform is also very challenging, resulting most of the times in low frame rates. This paper proposes using the You Only Look Once version 3 (YOLOv3) Convolutional Neural Network (CNN) in combination with utilising image processing techniques for the application of precision farming robots targeting strawberry detection, accelerated on a heterogeneous multiprocessor platform. The results show a performance acceleration by five times when implemented on a Field-Programmable Gate Array (FPGA) when compared with the same algorithm running on the processor side with an accuracy of 78.3\% over the test set comprised of 146 images.
• Abstract（参考訳）: 近年では、特に収穫ロボットにおいて精密農業事業の数が増加し、作物の特定から望まれる果物や野菜の把握に至るまで、多くの作業が続けられている。 精密農業プロジェクトで見られる最も一般的な問題の1つは、成功は果実の特定だけでなく、ローカライゼーションが正確なナビゲーションを可能にすることにも大きく依存していることである。 これらの問題は、ロボットが事前に配置された環境で動作していない場合や、植生が厚くなりすぎて作物を覆っている場合に重要な要因となる。 さらに、組込みプラットフォーム上で最先端のディープラーニングアルゴリズムを実行することも非常に難しいため、ほとんどの場合、フレームレートが低い。 本稿では,イチゴ検出をターゲットとした精密農業用ロボットの画像処理技術と併用して,異種マルチプロセッサプラットフォーム上での高速化を図った,You Only Look Once Version 3 (YOLOv3) Convolutional Neural Network (CNN) を提案する。 その結果,146画像からなるテストセットに対して78.3\%の精度で,プロセッサ側で実行する同じアルゴリズムと比較して,fpga(field-programmable gate array)上で5倍の性能向上が示された。

関連論文リスト

• Fast GraspNeXt: A Fast Self-Attention Neural Network Architecture for Multi-task Learning in Computer Vision Tasks for Robotic Grasping on the Edge [80.88063189896718]
  アーキテクチャと計算の複雑さが高いと、組み込みデバイスへのデプロイに適さない。 Fast GraspNeXtは、ロボットグルーピングのためのコンピュータビジョンタスクに埋め込まれたマルチタスク学習に適した、高速な自己認識型ニューラルネットワークアーキテクチャである。
  論文  参考訳（メタデータ） (2023-04-21T18:07:14Z)
• 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)
• Towards making the most of NLP-based device mapping optimization for OpenCL kernels [5.6596607119831575]
  我々は、加速されたOpenCLカーネルのための最適なデバイス選択(CPUまたはGPU)の問題に取り組むCummins et al.、すなわちDeeptuneの開発を拡張した。 ソースコードの文脈情報を拡張した4つの異なるモデルを提案する。 実験の結果,提案手法はCumminsらの手法を上回り,予測精度を最大4%向上させることがわかった。
  論文  参考訳（メタデータ） (2022-08-30T10:20:55Z)
• Facilitated machine learning for image-based fruit quality assessment in developing countries [68.8204255655161]
  自動画像分類は食品科学における教師あり機械学習の一般的な課題である。 事前学習型視覚変換器(ViT)に基づく代替手法を提案する。 標準的なデバイス上で限られたリソースで簡単に実装できる。
  論文  参考訳（メタデータ） (2022-07-10T19:52:20Z)
• A workflow for segmenting soil and plant X-ray CT images with deep learning in Googles Colaboratory [45.99558884106628]
  我々はX線マイクロCT画像に畳み込みニューラルネットワークを適用するためのモジュラーワークフローを開発した。 クルミの葉, アーモンドの花芽, 土壌集合体のサンプルスキャンを用いて, 最適な結果を得るために, パラメータを最適化する方法を示す。
  論文  参考訳（メタデータ） (2022-03-18T00:47:32Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• Geometry-Aware Fruit Grasping Estimation for Robotic Harvesting in Orchards [6.963582954232132]
  幾何認識ネットワークであるA3Nは、エンドツーエンドのインスタンスセグメンテーションと把握推定を行うために提案されている。 我々は,フィールド環境下での果実の認識と検索をロボットが正確に行うことができるグローバル・ローカル・スキャン・ストラテジーを実装した。 全体として、ロボットシステムは、収穫実験において70%から85%の範囲で収穫の成功率を達成する。
  論文  参考訳（メタデータ） (2021-12-08T16:17:26Z)
• Kimera-Multi: Robust, Distributed, Dense Metric-Semantic SLAM for Multi-Robot Systems [92.26462290867963]
  Kimera-Multiは、最初のマルチロボットシステムであり、不正なインターループとイントラロボットループの閉鎖を識別し拒否することができる。 我々は、フォトリアリスティックシミュレーション、SLAMベンチマークデータセット、地上ロボットを用いて収集された屋外データセットの挑戦において、Kimera-Multiを実証した。
  論文  参考訳（メタデータ） (2021-06-28T03:56:40Z)
• Searching for Efficient Architecture for Instrument Segmentation in Robotic Surgery [58.63306322525082]
  ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。 我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2020-07-08T21:38:29Z)
• Real-Time Apple Detection System Using Embedded Systems With Hardware Accelerators: An Edge AI Application [1.3764085113103222]
  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。
  論文  参考訳（メタデータ） (2020-04-28T10:40:01Z)

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。