論文の概要: Computer Vision-Aided Intelligent Monitoring of Coffee: Towards Sustainable Coffee Production

• arxiv url: http://arxiv.org/abs/2304.04966v1
• Date: Tue, 11 Apr 2023 04:25:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-12 16:18:49.140284
• Title: Computer Vision-Aided Intelligent Monitoring of Coffee: Towards Sustainable Coffee Production
• Title（参考訳）: コンピュータビジョンによるコーヒーのインテリジェントモニタリング:持続可能なコーヒー生産を目指して
• Authors: Francisco Eron, Muhammad Noman, Raphael Ricon de Oliveira, Deigo de Souza Marques, Rafael Serapilha Durelli, Andre Pimenta Freire, Antonio Chalfun Junior
• Abstract要約: 本研究では,コーヒー工場の画像処理に機械学習アルゴリズムYOLOを用いた。 トレーニングデータアノテートのための革新的なアプローチとして、コーヒーフルーツの機械生成カラークラスに繋がるK平均モデルを訓練した。 最後に、収穫時間を効率的に予測し、コーヒーの収量と品質を推定するだけでなく、植物の健康を知らせるAIベースの便利なモバイルアプリケーションの開発を試みた。
• 参考スコア（独自算出の注目度）: 0.18472148461613155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coffee which is prepared from the grinded roasted seeds of harvested coffee cherries, is one of the most consumed beverage and traded commodity, globally. To manually monitor the coffee field regularly, and inform about plant and soil health, as well as estimate yield and harvesting time, is labor-intensive, time-consuming and error-prone. Some recent studies have developed sensors for estimating coffee yield at the time of harvest, however a more inclusive and applicable technology to remotely monitor multiple parameters of the field and estimate coffee yield and quality even at pre-harvest stage, was missing. Following precision agriculture approach, we employed machine learning algorithm YOLO, for image processing of coffee plant. In this study, the latest version of the state-of-the-art algorithm YOLOv7 was trained with 324 annotated images followed by its evaluation with 82 unannotated images as test data. Next, as an innovative approach for annotating the training data, we trained K-means models which led to machine-generated color classes of coffee fruit and could thus characterize the informed objects in the image. Finally, we attempted to develop an AI-based handy mobile application which would not only efficiently predict harvest time, estimate coffee yield and quality, but also inform about plant health. Resultantly, the developed model efficiently analyzed the test data with a mean average precision of 0.89. Strikingly, our innovative semi-supervised method with an mean average precision of 0.77 for multi-class mode surpassed the supervised method with mean average precision of only 0.60, leading to faster and more accurate annotation. The mobile application we designed based on the developed code, was named CoffeApp, which possesses multiple features of analyzing fruit from the image taken by phone camera with in field and can thus track fruit ripening in real time.
• Abstract（参考訳）: 収穫したコーヒーチェリーの焼いた種から作られるコーヒーは、世界中で最も消費される飲食品の1つである。 コーヒー畑を定期的に手動で監視し、植物や土壌の健康を知らせると共に、収量及び収穫時間を推定し、労働集約的で、時間がかかり、エラーが発生しやすいようにする。 近年の研究では収穫時のコーヒー収量推定センサーが開発されているが、より包括的で適用可能な技術は、畑の複数のパラメータをリモートで監視し、収穫前の段階でもコーヒー収量と品質を推定できる。 精密農業のアプローチに従って,コーヒープラントの画像処理に機械学習アルゴリズムであるyoloを用いた。 本研究では,最新のアルゴリズムであるyolov7の最新バージョンを324の注釈付き画像で学習し,82の無注釈画像をテストデータとして評価した。 次に、トレーニングデータを注釈付けするための革新的なアプローチとして、コーヒーフルーツの機械生成色クラスに導いたK平均モデルを訓練し、画像中の情報オブジェクトを特徴付けることができた。 最後に、収穫時間を効率的に予測し、コーヒーの収量と品質を推定するだけでなく、植物の健康を知らせるAIベースの便利なモバイルアプリケーションの開発を試みた。 その結果, 実験データを平均精度0.89で効率的に解析した。 提案手法は,マルチクラスモードの平均平均精度が0.77であり,平均平均精度が0.60に留まり,より高速かつ高精度なアノテーションが得られた。 開発したコードに基づいて設計したモバイルアプリケーションはCoffeAppという名前で、携帯電話カメラがフィールドで撮影した画像から果実を分析し、リアルタイムで果実の熟成を追跡できる。

関連論文リスト

• Raspberry PhenoSet: A Phenology-based Dataset for Automated Growth Detection and Yield Estimation [1.2661567777618703]
  7つの発達段階にまたがるラズベリー果実の検出とセグメンテーションのための表現学ベースのデータセットであるRaspberry PhenoSetを紹介した。 このデータセットには1,853枚の高解像度画像が含まれており、これは文学の中で最高品質であり、垂直農場で制御された人工照明の下で撮影された。 YOLOv8, YOLOv10, RT-DETR, Mask R-CNNなど,最先端のディープラーニングモデルをベンチマークして, データセットのパフォーマンスを総合的に評価した。
  論文  参考訳（メタデータ） (2024-11-01T18:34:26Z)
• Enhancing Fruit and Vegetable Detection in Unconstrained Environment with a Novel Dataset [4.498047714838568]
  本稿では,実環境における果実や野菜の検出とローカライズのためのエンドツーエンドパイプラインを提案する。 我々はFRUVEG67というデータセットをキュレートした。このデータセットには、制約のないシナリオでキャプチャされた67種類の果物や野菜の画像が含まれている。 Fruit and Vegetable Detection Network (FVDNet) は3つの異なるグリッド構成を持つYOLOv7のアンサンブルバージョンである。
  論文  参考訳（メタデータ） (2024-09-20T08:46:03Z)
• Key Point-based Orientation Estimation of Strawberries for Robotic Fruit Picking [8.657107511095242]
  本稿では,2次元画像から直接3次元方向を予測できるキーポイント型果物配向推定手法を提案する。 提案手法は, 平均誤差を8円程度に抑え, 従来よりも$sim30%の予測精度を向上する。
  論文  参考訳（メタデータ） (2023-10-17T15:12:11Z)
• 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)
• 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)
• 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)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• 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)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• Artificial intelligence for detection and quantification of rust and leaf miner in coffee crop [0.0]
  コーヒーの葉に錆(Hemileia vastatrix)と葉の鉱夫(Leucoptera coffeella)を検出するアルゴリズムを作成します。 モデル推論のための高レベルインタフェースとして,モバイルアプリケーションを用いて病気の重症度を定量化する。
  論文  参考訳（メタデータ） (2021-03-20T20:52:11Z)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)

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。