論文の概要: Plastic Contaminant Detection in Aerial Imagery of Cotton Fields with Deep Learning

• arxiv url: http://arxiv.org/abs/2212.07527v1
• Date: Wed, 14 Dec 2022 22:22:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 16:51:35.531538
• Title: Plastic Contaminant Detection in Aerial Imagery of Cotton Fields with Deep Learning
• Title（参考訳）: 深層学習による綿畑の空中画像中のプラスチック汚染検出
• Authors: Pappu Kumar Yadav, J. Alex Thomasson, Robert G. Hardin, Stephen W. Searcy, Ulisses Braga-Neto, Sorin C. Popescu, Roberto Rodriguez, Daniel E Martin, Juan Enciso, Karem Meza, Emma L. White
• Abstract要約: 道路の脇から運び出され、綿花に絡まったプラスチック製の買い物袋は、収穫前に取り除かなければ綿ジンで終わる。 無人航空機システム (UAS) が取得したRGB (Red, Green, Blue) 画像を用いて, プラスチックの買い物袋を検知するためのYOLOv5の4つのバリエーションを提案する。 本報告は, 収穫前の綿畑からのビニール袋の除去を高速化し, 綿ジンの汚染物質量の削減に有効であると考えられた。
• 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: Plastic shopping bags that get carried away from the side of roads and tangled on cotton plants can end up at cotton gins if not removed before the harvest. Such bags may not only cause problem in the ginning process but might also get embodied in cotton fibers reducing its quality and marketable value. Therefore, it is required to detect, locate, and remove the bags before cotton is harvested. Manually detecting and locating these bags in cotton fields is labor intensive, time-consuming and a costly process. To solve these challenges, we present application of four variants of YOLOv5 (YOLOv5s, YOLOv5m, YOLOv5l and YOLOv5x) for detecting plastic shopping bags using Unmanned Aircraft Systems (UAS)-acquired RGB (Red, Green, and Blue) images. We also show fixed effect model tests of color of plastic bags as well as YOLOv5-variant on average precision (AP), mean average precision (mAP@50) and accuracy. In addition, we also demonstrate the effect of height of plastic bags on the detection accuracy. It was found that color of bags had significant effect (p < 0.001) on accuracy across all the four variants while it did not show any significant effect on the AP with YOLOv5m (p = 0.10) and YOLOv5x (p = 0.35) at 95% confidence level. Similarly, YOLOv5-variant did not show any significant effect on the AP (p = 0.11) and accuracy (p = 0.73) of white bags, but it had significant effects on the AP (p = 0.03) and accuracy (p = 0.02) of brown bags including on the mAP@50 (p = 0.01) and inference speed (p < 0.0001). Additionally, height of plastic bags had significant effect (p < 0.0001) on overall detection accuracy. The findings reported in this paper can be useful in speeding up removal of plastic bags from cotton fields before harvest and thereby reducing the amount of contaminants that end up at cotton gins.
• Abstract（参考訳）: 道路の脇から運び出され、綿花に絡まったプラスチック製の買い物袋は、収穫前に取り除かなければ綿ジンで終わる。 このような袋は、ジャイニングの過程で問題を引き起こすだけでなく、綿繊維に具現化されて品質と市場価値が低下する可能性がある。 そのため、綿花が収穫される前に袋を検出し、見つけ出し、取り外す必要がある。 綿花畑でこれらの袋を手動で検出し、配置することは、労働集約的で、時間がかかり、コストがかかる。 これらの課題を解決するために, 無人航空機システム (UAS) が取得したRGB (Red, Green, Blue) 画像を用いたプラスチックの買い物袋検出に, YOLOv5 (YOLOv5s, YOLOv5m, YOLOv5l, YOLOv5x) の4変種を応用した。 また, 平均精度 (AP) , 平均精度 (mAP@50) および精度 (mAP@50) において, 可塑性袋の色およびYOLOv5-変異の固定効果モデル試験を行った。 また, ビニール袋の高さが検出精度に及ぼす影響を実証した。 袋の色は4変種すべてに有意な効果 (p < 0.001) を示したが, YOLOv5m (p = 0.10) と YOLOv5x (p = 0.35) は95%信頼度ではAPに有意な影響は認められなかった。 同様に、YOLOv5-型はAP(p = 0.11)と白袋の精度(p = 0.73)に有意な影響を与えなかったが、AP(p = 0.03)とmAP@50(p = 0.01)と推論速度(p < 0.0001)を含む茶色の袋の精度(p = 0.02)に有意な影響を及ぼした。 また, ビニール袋の高さが検出精度に有意な影響(p<0.0001)を示した。 本研究は, 収穫前の綿畑からのビニール袋の除去をスピードアップさせ, 綿繰り機で発生する汚染物質量を減少させるのに有用である。

関連論文リスト

• Words Worth a Thousand Pictures: Measuring and Understanding Perceptual Variability in Text-to-Image Generation [58.77994391566484]
  W1KPは、画像の集合における可変性の人間の校正尺度である。 最高の知覚距離は、9つの基準線を最大18ポイント精度で上回る。 実際のプロンプトの56の言語的特徴を分析し、プロンプトの長さ、CLIP埋め込みノルム、具体性、単語感覚が最も変動に影響を及ぼすことを示した。
  論文  参考訳（メタデータ） (2024-06-12T17:59:27Z)
• High-Performance Fine Defect Detection in Artificial Leather Using Dual Feature Pool Object Detection [40.14938518877818]
  人工皮革の微細欠陥の特徴から, DFP, IFF, AMP, EOSの4つの革新的な構造が設計された。 これらの進歩により、YOLODという高性能な人工皮革微細欠陥検出モデルが提案された。 YOLODは人工皮革欠陥データセットに優れた性能を示し、YOLOv5と比較してAP_50の11.7%から13.5%の顕著な増加を達成した。 YOLODはまた、一般のMS-COCOデータセットでも顕著なパフォーマンスを示しており、YOLOv5と比較してAPでは0.4%から2.6%増加した。
  論文  参考訳（メタデータ） (2023-07-31T15:18:54Z)
• PLASTIC: Improving Input and Label Plasticity for Sample Efficient Reinforcement Learning [54.409634256153154]
  強化学習(RL)では, サンプル効率の向上が重要である。 原則として、非政治的なRLアルゴリズムは、環境相互作用毎に複数の更新を可能にすることで、サンプル効率を向上させることができる。 本研究は, この現象の原因を, 塑性を2つの側面に分けて検討した。
  論文  参考訳（メタデータ） (2023-06-19T06:14:51Z)
• Automatic Cattle Identification using YOLOv5 and Mosaic Augmentation: A Comparative Analysis [2.161241370008739]
  園内の牛を識別するためのYOLOv5モデルについて検討した。 牛の銃口のパターンは、人間の指紋のようなユニークな生体認証ソリューションである。
  論文  参考訳（メタデータ） (2022-10-21T13:13:40Z)
• Rice Leaf Disease Classification and Detection Using YOLOv5 [8.627180519837657]
  農業が直面する主な問題は稲葉病である。 いずれの国の農家も稲葉病に関する知識が乏しいため、稲葉病を正しく診断することはできない。 本稿では, YOLOv5 深層学習に基づくイネ葉病の分類と検出法を提案する。
  論文  参考訳（メタデータ） (2022-09-04T09:27:57Z)
• Swin-transformer-yolov5 For Real-time Wine Grape Bunch Detection [0.0]
  この調査は、2019年7月から9月にかけて、シャルドネとメルローの2種類のブドウ品種について行われた。 提案されたSwin-T-YOLOv5は、ブドウ束検出のための他の研究モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-08-30T19:32:07Z)
• Detecting Volunteer Cotton Plants in a Corn Field with Deep Learning on UAV Remote-Sensing Imagery [5.293431074053198]
  綿花のウズラは1800年代後半にメキシコからアメリカ合衆国に入って以来、160億米ドル以上の損害を被った。 トウモロコシのような季節間作物の畑で生育するボランティア綿(VC)植物は、これらの害虫の宿主として機能する。 本稿では,無人航空機 (UAS) で収集した3種類の航空機画像から, YOLOv3 を用いてトウモロコシ畑のVC植物を検出する方法を提案する。
  論文  参考訳（メタデータ） (2022-07-14T05:59:54Z)
• Sensitivity of Average Precision to Bounding Box Perturbations [47.64219291655723]
  平均精度(Average Precision, AAP)は、物体検出器を評価するための標準スコアである。 我々は,束縛箱の摂動に対するAPの感度を定量化し,APが小さな翻訳に非常に敏感であることを示す。
  論文  参考訳（メタデータ） (2022-06-21T04:40:57Z)
• Classification of PS and ABS Black Plastics for WEEE Recycling Applications [63.942632088208505]
  本研究の目的は,ポリスチレン (PS) 型とアクリロニトリルブタジエン (ABS) 型の黒色プラスチックを用いて,異なる種類のプラスチックを分類できるシステムを作ることである。 畳み込みニューラルネットワークのテストと再訓練が行われ、95%の精度が得られた。 別個のテストセットを使用して平均精度は86.6%まで低下するが、結果を見てみるとABS型が100%正確に分類されていることが分かるため、すべてのエラーを蓄積するPS型である。
  論文  参考訳（メタデータ） (2021-10-20T12:47:18Z)
• One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
  三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。 2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
  論文  参考訳（メタデータ） (2020-12-14T10:44:22Z)

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。