論文の概要: Support Vector Machine and YOLO for a Mobile Food Grading System

• arxiv url: http://arxiv.org/abs/2101.01418v1
• Date: Tue, 5 Jan 2021 09:01:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 19:46:50.330529
• Title: Support Vector Machine and YOLO for a Mobile Food Grading System
• Title（参考訳）: モバイル食品グレーディングシステムにおけるサポートベクトルマシンとYOLO
• Authors: Lili Zhu, Petros Spachos
• Abstract要約: 本稿では,食品の品位評価を行うモバイル視覚システムを提案する。 バナナの格付けには機械学習に基づく2層画像処理システムを用いる。
• 参考スコア（独自算出の注目度）: 8.027994148508846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Food quality and safety are of great concern to society since it is an essential guarantee not only for human health but also for social development, and stability. Ensuring food quality and safety is a complex process. All food processing stages should be considered, from cultivating, harvesting and storage to preparation and consumption. Grading is one of the essential processes to control food quality. This paper proposed a mobile visual-based system to evaluate food grading. Specifically, the proposed system acquires images of bananas when they are on moving conveyors. A two-layer image processing system based on machine learning is used to grade bananas, and these two layers are allocated on edge devices and cloud servers, respectively. Support Vector Machine (SVM) is the first layer to classify bananas based on an extracted feature vector composed of color and texture features. Then, the a You Only Look Once (YOLO) v3 model further locating the peel's defected area and determining if the inputs belong to the mid-ripened or well-ripened class. According to experimental results, the first layer's performance achieved an accuracy of 98.5% while the accuracy of the second layer is 85.7%, and the overall accuracy is 96.4%.
• Abstract（参考訳）: 食品の品質と安全性は、人間の健康だけでなく、社会開発や安定にも必須の保証であるため、社会にとって大きな関心事である。 食品の品質と安全性の確保は複雑なプロセスである。 全ての食品加工段階は、栽培、収穫、貯蔵から準備と消費まで考慮すべきである。 グレーディングは食品の品質を制御するための重要なプロセスの1つである。 本稿では,食品の品位評価を行うモバイル視覚システムを提案する。 具体的には,移動コンベア上でバナナの画像を取得する。 バナナの分類には機械学習に基づく2層画像処理システムを用い,これら2層をエッジデバイスとクラウドサーバにそれぞれ割り当てる。 Support Vector Machine (SVM)は、色とテクスチャの特徴からなる抽出された特徴ベクトルに基づいてバナナを分類する最初の層である。 次に、You Only Look Once (YOLO) v3 モデルにより、皮の欠陥領域を更に特定し、入力が中熟または熟成クラスに属するかどうかを決定する。 実験結果によると、第1層の性能は98.5%、第2層の精度は85.7%、全体の精度は96.4%であった。

関連論文リスト

• NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
  自己申告法はしばしば不正確であり、重大な偏見に悩まされる。 近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。 本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-05-13T14:56:55Z)
• How Much You Ate? Food Portion Estimation on Spoons [63.611551981684244]
  現在の画像に基づく食品部分推定アルゴリズムは、ユーザが食事の画像を1、2回取ることを前提としている。 本稿では,静止型ユーザ向けカメラを用いて,機器上の食品の追跡を行う革新的なソリューションを提案する。 本システムは,スープやシチューなどの液状固形不均一混合物の栄養含量の推定に信頼性が高い。
  論文  参考訳（メタデータ） (2024-05-12T00:16:02Z)
• Food Image Classification and Segmentation with Attention-based Multiple Instance Learning [51.279800092581844]
  本稿では,食品画像分類とセマンティックセグメンテーションモデルを訓練するための弱教師付き方法論を提案する。 提案手法は、注意に基づくメカニズムと組み合わせて、複数のインスタンス学習アプローチに基づいている。 提案手法の有効性を検証するため,FoodSeg103データセット内の2つのメタクラスについて実験を行った。
  論文  参考訳（メタデータ） (2023-08-22T13:59:47Z)
• Single-Stage Heavy-Tailed Food Classification [7.800379384628357]
  そこで本研究では,新しい一段階のヘビーテール食品分類フレームワークを提案する。 本手法は,フード101-LTとVFN-LTの2つの重み付き食品ベンチマークデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2023-07-01T00:45:35Z)
• Segmentation and Tracking of Vegetable Plants by Exploiting Vegetable Shape Feature for Precision Spray of Agricultural Robots [8.328453345461478]
  複数の植物を識別・追跡する手法として,MOTS (Multiple Object Tracking and Tracking) を提案する。 提案手法は,カメラの視野から外れたオブジェクトを再識別し,提案したデータアソシエーション戦略を用いて再出現することができる。 レタス農場で試験されるが、ブロッコリーやカノーラなど他の類似野菜にも適用できる。
  論文  参考訳（メタデータ） (2023-06-23T14:35:17Z)
• Transferring Knowledge for Food Image Segmentation using Transformers and Convolutions [65.50975507723827]
  食品画像のセグメンテーションは、食品の皿の栄養価を推定するなど、ユビキタスな用途を持つ重要なタスクである。 1つの課題は、食品が重なり合ったり混ざったりし、区別が難しいことだ。 2つのモデルが訓練され、比較される。1つは畳み込みニューラルネットワークに基づくもので、もう1つは画像変換器(BEiT)のための双方向表現に関するものである。 BEiTモデルは、FoodSeg103上の49.4の結合の平均的交点を達成することで、従来の最先端モデルよりも優れている。
  論文  参考訳（メタデータ） (2023-06-15T15:38:10Z)
• 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)
• 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)
• Deep Learning and Machine Vision for Food Processing: A Survey [5.53479503648814]
  食品の品質と安全性は、人間の健康、社会の発展、安定性の基礎であるため、社会全体にとって重要な問題です。 機械ビジョンの開発は、研究者や産業が食品加工の効率を向上させるのに大いに役立つ。 本稿では,従来の機械学習と深層学習の手法の概要と,食品加工分野に適用可能な機械ビジョン技術について概説する。
  論文  参考訳（メタデータ） (2021-03-30T06:40:19Z)
• MyFood: A Food Segmentation and Classification System to Aid Nutritional Monitoring [1.5469452301122173]
  食料モニタリングの欠如は、人口の体重増加に大きく寄与している。 食品画像を認識するためにコンピュータビジョンでいくつかのソリューションが提案されているが、栄養モニタリングに特化しているものはほとんどない。 本研究は, ユーザの食事と栄養摂取の自動モニタリングを支援するために, 画像に提示された食品を分類・分別するインテリジェントシステムの開発について述べる。
  論文  参考訳（メタデータ） (2020-12-05T17:40:05Z)

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。