論文の概要: Vision-Based Defect Classification and Weight Estimation of Rice Kernels
- arxiv url: http://arxiv.org/abs/2210.02665v1
- Date: Thu, 6 Oct 2022 03:58:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 15:34:50.917636
- Title: Vision-Based Defect Classification and Weight Estimation of Rice Kernels
- Title（参考訳）: 目視による米カーネルの欠陥分類と重み推定
- Authors: Xiang Wang, Kai Wang, Xiaohong Li, Shiguo Lian
- Abstract要約: そこで本研究では,イネカーネルの視覚的品質自動推定システムについて,その欠陥の種類に応じて分類し,視点型カーネルの重量比による品質評価を行う。
画像中の各カーネルの相対重量をその面積から測定する新しい指標を定義し,すべてのサンプルに対する各カーネルの相対重量を計算し,米の品質評価の基盤として利用できるようにした。
- 参考スコア（独自算出の注目度）: 12.747541089354538
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rice is one of the main staple food in many areas of the world. The quality
estimation of rice kernels are crucial in terms of both food safety and
socio-economic impact. This was usually carried out by quality inspectors in
the past, which may result in both objective and subjective inaccuracies. In
this paper, we present an automatic visual quality estimation system of rice
kernels, to classify the sampled rice kernels according to their types of
flaws, and evaluate their quality via the weight ratios of the perspective
kernel types. To compensate for the imbalance of different kernel numbers and
classify kernels with multiple flaws accurately, we propose a multi-stage
workflow which is able to locate the kernels in the captured image and classify
their properties. We define a novel metric to measure the relative weight of
each kernel in the image from its area, such that the relative weight of each
type of kernels with regard to the all samples can be computed and used as the
basis for rice quality estimation. Various experiments are carried out to show
that our system is able to output precise results in a contactless way and
replace tedious and error-prone manual works.
- Abstract（参考訳）: 米は世界中の多くの地域で主要な主食の1つである。
イネ核の品質評価は、食品の安全性と社会経済的影響の両面で重要である。
これは、通常、品質検査官によって行われ、客観的および主観的不正確な結果をもたらす可能性がある。
そこで本研究では,米の粒度を自動的に推定し,その欠陥の種類に応じて試料米の粒度を分類し,その粒度をパースペクティブ・カーネルの重量比で評価するシステムを提案する。
異なるカーネル数の不均衡を補償し、複数の欠陥を正確に分類するために、キャプチャー画像中のカーネルを特定し、それらの特性を分類できる多段階ワークフローを提案する。
画像中の各カーネルの相対重量をその面積から測定する新しい指標を定義し,すべてのサンプルに対する各カーネルの相対重量を計算し,米の品質評価の基盤として利用できるようにした。
様々な実験により,本システムは接触のない方法で正確な結果を出力し,退屈でエラーの少ない手作業を置き換えることができることを示した。
関連論文リスト
- Retrieval Augmented Recipe Generation [96.43285670458803]
本稿では,レシピ生成のための拡張型大規模マルチモーダルモデルを提案する。
既存のデータストアからサプリメントとして、イメージにセマンティックに関連付けられたレシピを検索する。
生成したレシピ候補間の一貫性を計算し、異なる検索レシピを生成のコンテキストとして使用する。
論文 参考訳（メタデータ） (2024-11-13T15:58:50Z) - A novel method for identifying rice seed purity based on hybrid machine learning algorithms [0.0]
穀物産業では、種子の品質を評価する上で重要な要素として、種子の純度の同定が重要である。
本研究では,ハイブリッド機械学習アルゴリズムを用いて,特定の品種のイネ種子の純度を自動的に同定する手法を提案する。
論文 参考訳（メタデータ） (2024-06-09T17:13:25Z) - 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) - Cell Phone Image-Based Persian Rice Detection and Classification Using Deep Learning Techniques [0.0]
本研究では,画像に基づく深層学習技術を用いて,様々な種類のペルシャ米を分類する革新的なアプローチを提案する。
コンボリューショナルニューラルネットワーク(CNN)の機能を活用し,特にResNetモデルを用いてイネ品種の正確な同定を行った。
本研究は,日常生活における画像に基づく深層学習の適用性に関する洞察を提供することによって,この分野に寄与する。
論文 参考訳（メタデータ） (2024-04-21T07:03:48Z) - An annotated grain kernel image database for visual quality inspection [15.134345284413683]
本稿では,穀物カーネルの視覚的品質検査を目的としたマシンビジョンベースデータベースGrainSetを提案する。
データベースには、専門家の注釈付き350K以上のシングルカーネルイメージが含まれている。
論文 参考訳（メタデータ） (2023-11-20T17:11:00Z) - Identifying the Defective: Detecting Damaged Grains for Cereal
Appearance Inspection [16.036591708687354]
GAI(Grain Outearance Inspection)は、穀物の品質を判断し、穀物の循環と加工を容易にするための重要なプロセスである。
本稿では,自動GAIシステムであるAI4GrainInspの開発に尽力する。
本稿では,AD-GAIと呼ばれるADモデルを提案する。
論文 参考訳（メタデータ） (2023-11-20T16:35:16Z) - NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。
最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。
我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。
また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
論文 参考訳（メタデータ） (2023-09-14T13:29:41Z) - Variational Autoencoder Kernel Interpretation and Selection for
Classification [59.30734371401315]
本研究では,変分オートエンコーダの畳み込みエンコーダによって生成された特徴に基づく確率的分類器のカーネル選択手法を提案する。
提案した実装では、各カーネルに対して各分散が生成されるため、各潜伏変数を最終エンコーダの畳み込み層の単一カーネルに関連付けられた分布からサンプリングした。
サンプル化された潜伏変数で関連する機能を選択することで、カーネルの選択を実行し、非形式的機能とカーネルをフィルタリングすることができる。
論文 参考訳（メタデータ） (2022-09-10T17:22:53Z) - Automatic Detection of Rice Disease in Images of Various Leaf Sizes [0.5284812806199193]
そこで我々は,米田写真画像から米病を検出するコンピュータビジョン技術を用いて,その解決策に焦点をあてた。
そこで本研究では,CNNオブジェクト検出と画像タイリングを組み合わせた手法を提案する。
本手法は, 発芽, 発芽, 褐色斑点, 褐色斑点, オレンジ, 赤色ストライプ, 草草性スタントウイルス, ストリーク病など8種類のイネ葉病の4,960枚の画像から評価した。
論文 参考訳（メタデータ） (2022-06-15T07:56:41Z) - Convolution-Weight-Distribution Assumption: Rethinking the Criteria of
Channel Pruning [90.2947802490534]
刈り取り基準の研究には2つの盲点がある。
フィルタのランク'Importance Score'はほぼ同じで、同様に刈り取られた構造になる。
いくつかのプルーニング基準で測定されたフィルタ'Importance Score'は、ネットワークの冗長性をよく区別するには近すぎる。
論文 参考訳（メタデータ） (2020-04-24T09:54:21Z) - Cross-Modal Food Retrieval: Learning a Joint Embedding of Food Images
and Recipes with Semantic Consistency and Attention Mechanism [70.85894675131624]
画像とレシピを共通の特徴空間に埋め込み、対応する画像とレシピの埋め込みが互いに近接するように学習する。
本稿では,2つのモダリティの埋め込みを正規化するためのセマンティック・一貫性とアテンション・ベース・ネットワーク(SCAN)を提案する。
食品画像や調理レシピの最先端のクロスモーダル検索戦略を,かなりの差で達成できることが示される。
論文 参考訳（メタデータ） (2020-03-09T07:41:17Z)
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。