論文の概要: Classification of jujube fruit based on several pricing factors using
machine learning methods
- arxiv url: http://arxiv.org/abs/2111.00112v1
- Date: Fri, 29 Oct 2021 23:10:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-05 02:05:43.287147
- Title: Classification of jujube fruit based on several pricing factors using
machine learning methods
- Title(参考訳): 機械学習を用いた数種の価格要因に基づくジュジュベ果実の分類
- Authors: Abdollah Zakeri, Ruhollah Hedayati, Mohammad Khedmati, Mehran
Taghipour-Gorjikolaie
- Abstract要約: 重み、しわ、欠陥など、十住ベの価格にはいくつかの要因がある。
特定の選別や分類をせずに一斉に一斉に販売する百姓もいる。
我々の研究や経験から、製品が仕分け処理後に販売された場合、利益が著しく増加することが示されている。
- 参考スコア(独自算出の注目度): 1.7205106391379026
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Jujube is a fruit mainly cultivated in India, China and Iran and has many
health benefits. It is sold both fresh and dried. There are several factors in
jujube pricing such as weight, wrinkles and defections. Some jujube farmers
sell their product all at once, without any proper sorting or classification,
for an average price. Our studies and experiences show that their profit can
increase significantly if their product is sold after the sorting process.
There are some traditional sorting methods for dried jujube fruit but they are
costly, time consuming and can be inaccurate due to human error. Nowadays,
computer vision combined with machine learning methods, is used increasingly in
food industry for sorting and classification purposes and solve many of the
traditional sorting methods' problems. In this paper we are proposing a
computer vision-based method for grading jujube fruits using machine learning
techniques which will take most of the important pricing factors into account
and can be used to increase the profit of farmers. In this method we first
acquire several images from different samples and then extract their visual
features such as color features, shape and size features, texture features,
defection and wrinkle features and then we select the most useful features
using feature selection algorithms like PCA and CFS. A feature vector is
obtained for each sample and we use these vectors to train our classifiers to
be able to specify the corresponding pre-defined group for each of the samples.
We used different classifiers and training methods in order to obtain the best
result and by using decision tree we could reach 98.8% accuracy of the
classification.
- Abstract(参考訳): インド、中国、イランで主に栽培されている果実で、多くの健康上の利益がある。
生鮮と乾燥の両方で販売されている。
重み、しわ、欠陥など、十住ベの価格にはいくつかの要因がある。
一部の重兵衛農家は、適切な仕分けや分類なしに、平均価格で一度に製品を販売している。
当社の研究と経験から,製品が仕分けプロセス後に販売された場合,その利益は著しく増加することが分かりました。
果汁を乾燥させる伝統的な選別法はいくつかあるが、高価で時間もかかり、人為的な誤りのため不正確である。
今日では、コンピュータビジョンと機械学習の手法が組み合わさって、食品産業においてソートや分類の目的で使われ、伝統的なソート手法の多くの問題を解決している。
本稿では,重要な価格要因のほとんどを考慮し,農家の利益向上に活用できる機械学習手法を用いて,ジューベ果実の採点をコンピュータビジョンベースで行う手法を提案する。
本手法では,まず異なるサンプルから複数の画像を取得し,色特徴,形状,大きさ,テクスチャ特徴,欠陥,ひび割れ特徴などの視覚的特徴を抽出し,PCAやCFSなどの特徴選択アルゴリズムを用いて最も有用な特徴を選択する。
各サンプルに対して特徴ベクトルが得られ、これらのベクトルを用いて分類器を訓練し、各サンプルに対して対応する事前定義されたグループを指定することができる。
最適な結果を得るために異なる分類器と訓練方法を用い,決定木を用いて98.8%の精度で分類を行うことができた。
関連論文リスト
- 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) - 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) - 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) - Machine Learning approaches to do size based reasoning on Retail Shelf
objects to classify product variants [3.3767251810292955]
ディープラーニングベースのコンピュータビジョン手法は、小売店の商品を検知し、それらを分類するために使用することができる。
視覚的にまったく同じように見える製品には、さまざまなサイズのバリエーションがあり、それらを区別するための方法は、棚の上の他の製品と相対的なサイズを見ることである。
これにより、コンピュータビジョンアルゴリズムだけで、サイズベースの変種を互いに解読するプロセスが現実的ではない。
論文 参考訳(メタデータ) (2021-10-07T20:29:07Z) - Support Vector Machine and YOLO for a Mobile Food Grading System [8.027994148508846]
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。
論文 参考訳(メタデータ) (2021-01-05T09:01:06Z) - Deep Learning feature selection to unhide demographic recommender
systems factors [63.732639864601914]
行列分解モデルは意味的知識を含まない因子を生成する。
DeepUnHideは、協調フィルタリングレコメンデータシステムにおいて、ユーザとアイテムファクタから、人口統計情報を抽出することができる。
論文 参考訳(メタデータ) (2020-06-17T17:36:48Z) - A Systematic Evaluation: Fine-Grained CNN vs. Traditional CNN
Classifiers [54.996358399108566]
本稿では,大規模分類データセット上でトップノーチ結果を示すランドマーク一般的なCNN分類器の性能について検討する。
最先端のきめ細かい分類器と比較する。
実験において, 粒度の細かい分類器がベースラインを高められるかどうかを判定するために, 6つのデータセットについて広範囲に評価する。
論文 参考訳(メタデータ) (2020-03-24T23:49:14Z) - Fine-Grained Visual Classification via Progressive Multi-Granularity
Training of Jigsaw Patches [67.51747235117]
きめ細かい視覚分類(FGVC)は従来の分類よりもはるかに難しい。
最近の研究は主に、最も差別的な部分の発見に焦点をあてることによってこの問題に対処している。
本稿では,これらの問題に対処するための視覚的細粒度分類のための新しい枠組みを提案する。
論文 参考訳(メタデータ) (2020-03-08T19:27:30Z)
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。