論文の概要: Vision-Based Cranberry Crop Ripening Assessment

• arxiv url: http://arxiv.org/abs/2309.00028v1
• Date: Thu, 31 Aug 2023 14:58:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-04 15:41:12.364184
• Title: Vision-Based Cranberry Crop Ripening Assessment
• Title（参考訳）: 視覚に基づくクランベリー収穫熟成評価
• Authors: Faith Johnson, Jack Lowry, Kristin Dana, Peter Oudemans
• Abstract要約: この研究は、コンピュータビジョンを用いた熟成の定量的評価において、最初のものである。 ワインのブドウ、オリーブ、ブルーベリー、トウモロコシなどクランベリー以外の作物にも影響がある。
• 参考スコア（独自算出の注目度）: 1.8434042562191815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agricultural domains are being transformed by recent advances in AI and computer vision that support quantitative visual evaluation. Using drone imaging, we develop a framework for characterizing the ripening process of cranberry crops. Our method consists of drone-based time-series collection over a cranberry growing season, photometric calibration for albedo recovery from pixels, and berry segmentation with semi-supervised deep learning networks using point-click annotations. By extracting time-series berry albedo measurements, we evaluate four different varieties of cranberries and provide a quantification of their ripening rates. Such quantification has practical implications for 1) assessing real-time overheating risks for cranberry bogs; 2) large scale comparisons of progeny in crop breeding; 3) detecting disease by looking for ripening pattern outliers. This work is the first of its kind in quantitative evaluation of ripening using computer vision methods and has impact beyond cranberry crops including wine grapes, olives, blueberries, and maize.
• Abstract（参考訳）: 農業領域は、定量的視覚評価をサポートするAIとコンピュータビジョンの最近の進歩によって変革されている。 ドローン画像を用いて,クランベリー作物の熟成過程を特徴付ける枠組みを開発した。 本手法は,クランベリー栽培期のドローンによる時系列収集,画素からのアルベド回収のための測光キャリブレーション,点クリックアノテーションを用いた半教師付き深層学習ネットワークによるベリーセグメンテーションからなる。 時系列のベリーアルベド測定から4種類のクランベリーを抽出し,その熟成率の定量化を行った。 このような定量化は実際的な意味を持つ 1)クランベリー豚のリアルタイム過熱リスクの評価 2) 作物の育種における子孫の大規模比較 3) 熟成パターンの異常値を求めることで疾患を検出する。 この研究は、コンピュータビジョンによる熟成の定量的評価において最初のものであり、ワインブドウ、オリーブ、ブルーベリー、トウモロコシなどクランベリーの作物に及ばない影響がある。

関連論文リスト

• Agtech Framework for Cranberry-Ripening Analysis Using Vision Foundation Models [1.5728609542259502]
  航空画像と地上画像を用いたクランベリー作物の熟成過程を特徴付ける枠組みを開発した。 この作品はこの種の最初のものであり、クランベリーやワインブドウ、オリーブ、ブルーベリー、トウモロコシなど他の作物に将来的な影響を及ぼす。
  論文  参考訳（メタデータ） (2024-12-12T22:03:33Z)
• Leafy Spurge Dataset: Real-world Weed Classification Within Aerial Drone Imagery [37.51633459581306]
  侵入する植物種は、農業と農地の両方の生態に有害である。 ユープホルビア・エスラ(Euphorbia esula)のような外来植物は、東ヨーロッパから北アメリカの大部分に分布している。 米国モンタナ州西部の草原で、葉質のふわふわしたスプージの存在と不在のデータセットを収集し、商用ドローンでこれらの地域を調査した。 我々はこれらのデータに基づいて画像分類器を訓練し、我々の最高の性能モデルであるDINOv2視覚変換器は、葉の隆起を0.84精度で同定した。
  論文  参考訳（メタデータ） (2024-05-02T23:53:29Z)
• 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)
• 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)
• 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)
• Behind the leaves -- Estimation of occluded grapevine berries with conditional generative adversarial networks [3.308833414816073]
  本手法を適用した後のベリー数の推定値は,手動で数えた基準値に近い。 ベリー数に因子を適用するのとは対照的に,本手法は目に見えるベリーの出現に直接関与することにより,局所的な条件に適応する。
  論文  参考訳（メタデータ） (2021-05-21T12:57:48Z)
• 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)
• Deep Multi-view Image Fusion for Soybean Yield Estimation in Breeding Applications Deep Multi-view Image Fusion for Soybean Yield Estimation in Breeding Applications [7.450586438835518]
  本研究の目的は,ダイズポッドカウントに適応する機械学習(ML)アプローチを開発することである。 ディープラーニングアーキテクチャを用いた多視点画像に基づく収量推定フレームワークを開発した。 以上の結果から,MLモデルが時間と労力を大幅に削減して繁殖決定を下すことが示唆された。
  論文  参考訳（メタデータ） (2020-11-13T20:37:04Z)
• AI on the Bog: Monitoring and Evaluating Cranberry Crop Risk [3.8902094267855163]
  本稿では,クランベリーオーバーヒートアセスメントをリアルタイムに実現し,支援するエンド・ツー・エンドのクランベリー健康モニタリングシステムを開発した。 ドローンによるフィールドデータと地上のスカイデータ収集システムを用いて、作物の健康分析に使用される複数の時点の映像を収集する。 太陽放射予測誤差は5～20分間の地平線で8.41-20.36%のMAPEであることが判明した。
  論文  参考訳（メタデータ） (2020-11-08T20:03:20Z)
• 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)
• Finding Berries: Segmentation and Counting of Cranberries using Point Supervision and Shape Priors [3.6704226968275258]
  本研究では,収量推定と日射予測を支援するために,クランベリーの同時分別と計数を行う深層学習手法を提案する。 このアプローチはTriple-S Networkと呼ばれ、農業シーンに典型的な既知の形状の物体に適合するように、形状が先行する3つの部分の損失を伴っている。 その結果, セグメント化性能は6.74%以上向上し, 最先端技術と比較して22.91%向上した。
  論文  参考訳（メタデータ） (2020-04-18T01:08:57Z)

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。