Fugu-MT 論文翻訳(概要): Identifying the Defective: Detecting Damaged Grains for Cereal Appearance Inspection

論文の概要: Identifying the Defective: Detecting Damaged Grains for Cereal Appearance Inspection

arxiv url: http://arxiv.org/abs/2311.11901v1
Date: Mon, 20 Nov 2023 16:35:16 GMT
ステータス: 処理完了
システム内更新日: 2023-11-21 17:49:47.683643
Title: Identifying the Defective: Detecting Damaged Grains for Cereal Appearance Inspection
Title（参考訳）: 欠陥の同定 : 穀類外観検査における損傷粒の検出
Authors: Lei Fan, Yiwen Ding, Dongdong Fan, Yong Wu, Maurice Pagnucco and Yang Song
Abstract要約: 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。
参考スコア（独自算出の注目度）: 16.036591708687354
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Cereal grain plays a crucial role in the human diet as a major source of essential nutrients. Grain Appearance Inspection (GAI) serves as an essential process to determine grain quality and facilitate grain circulation and processing. However, GAI is routinely performed manually by inspectors with cumbersome procedures, which poses a significant bottleneck in smart agriculture. In this paper, we endeavor to develop an automated GAI system:AI4GrainInsp. By analyzing the distinctive characteristics of grain kernels, we formulate GAI as a ubiquitous problem: Anomaly Detection (AD), in which healthy and edible kernels are considered normal samples while damaged grains or unknown objects are regarded as anomalies. We further propose an AD model, called AD-GAI, which is trained using only normal samples yet can identify anomalies during inference. Moreover, we customize a prototype device for data acquisition and create a large-scale dataset including 220K high-quality images of wheat and maize kernels. Through extensive experiments, AD-GAI achieves considerable performance in comparison with advanced AD methods, and AI4GrainInsp has highly consistent performance compared to human experts and excels at inspection efficiency over 20x speedup. The dataset, code and models will be released at https://github.com/hellodfan/AI4GrainInsp.
Abstract（参考訳）: 穀物は必須栄養素の主要な供給源としてヒトの食生活において重要な役割を担っている。 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。しかし、GAIは、スマート農業において重要なボトルネックとなる、煩雑な手順で検査者が手動で行う。本稿では,自動GAIシステムであるAI4GrainInspの開発に尽力する。粒粒核の特異な特性を解析することにより、gaをユビキタスな問題として定式化した: 正常な粒や食用の粒核を正常な試料とし、損傷した粒や未知の物体を異常と見なす異常検出(ad)である。また、AD-GAIと呼ばれるADモデルを提案し、正規サンプルのみを用いてトレーニングするが、推論中に異常を識別できる。さらに,データ取得のためのプロトタイプ装置をカスタマイズし,コムギおよびトウモロコシカーネルの220k高画質画像を含む大規模データセットを作成する。広範な実験を通じてad-gaiは高度なad手法と比較して相当のパフォーマンスを達成し、ai4grainininspは人間のエキスパートに比べて高い一貫性を持ち、20倍のスピードアップで検査効率に優れている。データセット、コード、モデルはhttps://github.com/hellodfan/AI4GrainInspでリリースされる。

関連論文リスト

Optimizing Resource Consumption in Diffusion Models through Hallucination Early Detection [87.22082662250999]
拡散過程の開始時に不正確な世代を迅速に検出する新しいパラダイムであるHEaD(Hallucination Early Detection)を導入する。 HEaDは計算資源を節約し,生成過程を高速化して完全な画像を得ることを示す。その結果,HEaDは2つのオブジェクトのシナリオで生成時間の最大12%を節約できることがわかった。
論文参考訳（メタデータ） (2024-09-16T18:00:00Z)
Self-supervised Fusarium Head Blight Detection with Hyperspectral Image and Feature Mining [6.252899116304227]
フサリウムヘッドブライト(Fusarium Head Blight、FHB)は小麦(ダラムを含む)、大麦、オート麦、その他の小さな穀物、トウモロコシに深刻な菌類病である。伝統的に、訓練された農学者や測量士は、労働集約的で非現実的でスケールが難しい手動の識別を行う。ディープラーニングとハイパースペクトルイメージング(HSI)とリモートセンシング(RS)技術の進歩により、ディープラーニング、特にコナールニューラルネットワーク(CNN)が有望なソリューションとして登場してきた。
論文参考訳（メタデータ） (2024-08-31T09:09:02Z)
Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文参考訳（メタデータ） (2024-01-06T07:30:41Z)
Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文参考訳（メタデータ） (2023-12-22T15:04:20Z)
Crop Disease Classification using Support Vector Machines with Green Chromatic Coordinate (GCC) and Attention based feature extraction for IoT based Smart Agricultural Applications [0.0]
植物病は農業栽培中の葉に悪影響を及ぼし、作物の生産量と経済的価値に大きな損失をもたらす。各種機械学習(ML)と深層学習(DL)アルゴリズムが開発され,植物病の検出のための研究が行われている。本稿では、注意に基づく特徴抽出、RGBチャネルに基づく色分析、SVM(Support Vector Machines)による性能向上による事前作業に基づく新しい分類手法を提案する。
論文参考訳（メタデータ） (2023-11-01T10:44:49Z)
Seed Kernel Counting using Domain Randomization and Object Tracking Neural Networks [0.0]
本稿では,低コストなメカニカルホッパー,トレーニングされたYOLOv8ニューラルネットワークモデル,およびStrongSORTおよびByteTrack上のオブジェクト追跡アルゴリズムを用いて,ビデオからの穀物収量を推定するシードカーネルカウンタを提案する。この実験では、StrongSORTアルゴリズムでそれぞれ95.2%、Wheatで93.2%、ByteTrackアルゴリズムでそれぞれ96.8%、Wheatで92.4%の精度でシードカーネル数が得られる。
論文参考訳（メタデータ） (2023-08-10T19:56:15Z)
AMaizeD: An End to End Pipeline for Automatic Maize Disease Detection [0.0]
AMaizeDは、ドローンから得られたマルチスペクトル画像を用いて、トウモロコシの作物の病気を早期に検出する自動化フレームワークである。提案するフレームワークは,コンボリューションニューラルネットワーク(CNN)を特徴抽出器とセグメンテーション技術に組み合わせて,トウモロコシの植物とその関連疾患を同定する。
論文参考訳（メタデータ） (2023-07-23T19:58:40Z)
GrainSpace: A Large-scale Dataset for Fine-grained and Domain-adaptive Recognition of Cereal Grains [15.870266100862985]
GAI(Grain Outearance Inspection)は、穀物の適切な循環、貯蔵、食品加工のための穀物の質と粒層化を決定する重要なステップの1つである。本稿では,GAIを3つのユビキタスコンピュータビジョンタスクとして定義する。具体的には、データ取得のための3種類のデバイスプロトタイプと、プロの検査官によって決定された合計525万の画像を構築します。
論文参考訳（メタデータ） (2022-03-10T11:41:28Z)
Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
論文参考訳（メタデータ） (2022-03-03T22:02:56Z)
Anomaly Detection via Self-organizing Map [52.542991004752]
製品品質管理のための工業生産において,異常検出が重要な役割を担っている。従来の異常検出方法は、限定的な一般化能力を持つルールベースである。教師付きディープラーニングに基づく最近の手法は、より強力だが、訓練には大規模な注釈付きデータセットが必要である。
論文参考訳（メタデータ） (2021-07-21T06:56:57Z)
SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。