論文の概要: Multi-growth stage plant recognition: a case study of Palmer amaranth (Amaranthus palmeri) in cotton (Gossypium hirsutum)

• arxiv url: http://arxiv.org/abs/2307.15816v1
• Date: Fri, 28 Jul 2023 21:14:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 19:26:46.671049
• Title: Multi-growth stage plant recognition: a case study of Palmer amaranth (Amaranthus palmeri) in cotton (Gossypium hirsutum)
• Title（参考訳）: マルチグロースステージ植物認識:綿花におけるアマランサ(amaranthus palmeri)の事例
• Authors: Guy RY Coleman, Matthew Kutugata, Michael J Walsh, Muthukumar Bagavathiannan
• Abstract要約: 綿花中のAmaranthus palmeriの8クラス成長段階の認識について検討した。 YOLO v3、v5、v6、v6 3.0、v7、v8から26の異なるアーキテクチャのバリエーションを比較します。 すべての成長段階のクラスを認識できるmAP@[0.5:0.95]は、v8-Xで47.34%であった。
• 参考スコア（独自算出の注目度）: 0.3441021278275805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many advanced, image-based precision agricultural technologies for plant breeding, field crop research, and site-specific crop management hinge on the reliable detection and phenotyping of plants across highly variable morphological growth stages. Convolutional neural networks (CNNs) have shown promise for image-based plant phenotyping and weed recognition, but their ability to recognize growth stages, often with stark differences in appearance, is uncertain. Amaranthus palmeri (Palmer amaranth) is a particularly challenging weed plant in cotton (Gossypium hirsutum) production, exhibiting highly variable plant morphology both across growth stages over a growing season, as well as between plants at a given growth stage due to high genetic diversity. In this paper, we investigate eight-class growth stage recognition of A. palmeri in cotton as a challenging model for You Only Look Once (YOLO) architectures. We compare 26 different architecture variants from YOLO v3, v5, v6, v6 3.0, v7, and v8 on an eight-class growth stage dataset of A. palmeri. The highest mAP@[0.5:0.95] for recognition of all growth stage classes was 47.34% achieved by v8-X, with inter-class confusion across visually similar growth stages. With all growth stages grouped as a single class, performance increased, with a maximum mean average precision (mAP@[0.5:0.95]) of 67.05% achieved by v7-Original. Single class recall of up to 81.42% was achieved by v5-X, and precision of up to 89.72% was achieved by v8-X. Class activation maps (CAM) were used to understand model attention on the complex dataset. Fewer classes, grouped by visual or size features improved performance over the ground-truth eight-class dataset. Successful growth stage detection highlights the substantial opportunity for improving plant phenotyping and weed recognition technologies with open-source object detection architectures.
• Abstract（参考訳）: 多くの高度な画像ベースの精密農業技術が、高度に可変な形態的成長段階における植物の検出と表現の信頼性にかかっている。 畳み込みニューラルネットワーク(CNN)は、イメージベースの植物表現型認識と雑草認識を約束しているが、その成長段階を認識する能力は、しばしば外観の相違を伴う。 アマランチュス・パルミリ(Amaranthus palmeri、Palmer amaranth)は、綿花(Gossypium hirsutum)の生産において特に困難な雑草植物であり、成長期の成長段階と、高い遺伝的多様性による特定の成長段階の植物の間で高度に変動する植物形態を示す。 本稿では,綿花中のA. palmeriの8クラス成長段階認識を,YOLOアーキテクチャの挑戦モデルとして検討する。 YOLO v3, v5, v6, v6 3.0, v7, v8の26種類のアーキテクチャを, A. palmeriの8クラスの成長段階データセットで比較した。 すべての成長段階のクラスを認識できる最も高いmAP@[0.5:0.95]は、v8-Xで47.34%、視覚的に類似した成長段階にクラス間の混乱があった。 すべての成長段階が単一のクラスとしてグループ化され、v7-Originalにより67.05%の最大平均精度(mAP@[0.5:0.95])で性能が向上した。 最大81.42%のリコールはv5-Xで達成され、89.72%の精度はv8-Xで達成された。 クラスアクティベーションマップ(CAM)は、複雑なデータセットのモデル注意を理解するために用いられた。 視覚的あるいはサイズによってグループ化されたクラスが少ないため、ゼロトゥルース8クラスのデータセットのパフォーマンスが向上した。 成長ステージ検出の成功は、植物表現型や雑草認識技術をオープンソースのオブジェクト検出アーキテクチャで改善する大きな機会を浮き彫りにしている。

関連論文リスト

• Investigation to answer three key questions concerning plant pest identification and development of a practical identification framework [2.388418486046813]
  334K画像を用いた精密で頑健で高速な植物害虫識別フレームワークを開発した。 我々の2段階植物害虫識別フレームワークは,91.0%,88.5%の精度とマクロF1スコアを達成できた。
  論文  参考訳（メタデータ） (2024-07-25T12:49:24Z)
• Automatic Fused Multimodal Deep Learning for Plant Identification [1.2289361708127877]
  自動モーダル融合を用いた植物分類のための先駆的な多モードDLベースのアプローチを提案する。 PlantCLEF2015データセットの956クラスに対して,83.48%の精度を達成した。
  論文  参考訳（メタデータ） (2024-06-03T15:43:29Z)
• From Seedling to Harvest: The GrowingSoy Dataset for Weed Detection in Soy Crops via Instance Segmentation [0.2605569739850177]
  我々は、ニューラルネットワークを訓練し、インスタンスセグメンテーションを通して雑草や大豆を検知する包括的データセットを導入する。 我々のデータセットは、大豆の生育の様々な段階をカバーし、雑草の侵入の影響に関する時系列的な視点を提供する。 また、このデータセットでトレーニングされたアートモデルの6つの状態を提供し、プランテーションプロセスのすべての段階で大豆や雑草を理解し、検出することができます。
  論文  参考訳（メタデータ） (2024-06-01T06:12:48Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• Assessing The Performance of YOLOv5 Algorithm for Detecting Volunteer Cotton Plants in Corn Fields at Three Different Growth Stages [5.293431074053198]
  テキサス・ボール・ウィービル根絶プログラム (TBWEP) では、道路や畑に自作作物が生えているVCの植物を発見・排除するために人々が雇用している。 本稿では, トウモロコシ畑の中央に生育するVCプラントを検出するために, You Only Look Once Version 5 (YOLOv5) に基づくコンピュータビジョン (CV) アルゴリズムの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-31T21:03:40Z)
• The Power of Transfer Learning in Agricultural Applications: AgriNet [1.9087335681007478]
  我々は19以上の地理的な場所から160万の農業画像を集めたAgriNetデータセットを提案する。 また、5つのImageNetアーキテクチャ上で事前訓練されたモデルのセットであるAgriNetモデルを紹介します。 提案したすべてのモデルでは、植物種、病気、害虫、雑草の423種を87%の精度で正確に分類することが判明した。
  論文  参考訳（メタデータ） (2022-07-08T13:15:16Z)
• 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)
• 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)
• 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)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。