論文の概要: Convolutional Neural Network Ensemble Learning for Hyperspectral Imaging-based Blackberry Fruit Ripeness Detection in Uncontrolled Farm Environment

• arxiv url: http://arxiv.org/abs/2401.04748v1
• Date: Tue, 9 Jan 2024 12:00:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-11 16:19:35.824523
• Title: Convolutional Neural Network Ensemble Learning for Hyperspectral Imaging-based Blackberry Fruit Ripeness Detection in Uncontrolled Farm Environment
• Title（参考訳）: 非制御農場におけるハイパースペクトルイメージングに基づくblackberry果実熟度検出のための畳み込みニューラルネットワークアンサンブル学習
• Authors: Chollette C. Olisah, Ben Trewhella, Bo Li, Melvyn L. Smith, Benjamin Winstone, E. Charles Whitfield, Felicidad Fern\'andez Fern\'andez, Harriet Duncalfe
• Abstract要約: 本稿では,ブラックベリー果実の熟しやすさの微妙な特徴を検出するために,新しいマルチインプット畳み込みニューラルネットワーク(CNN)アンサンブル分類器を提案する。 提案したモデルは、未確認セットで95.1%の精度、フィールド条件で90.2%の精度を達成した。
• 参考スコア（独自算出の注目度）: 4.292727554656705
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Fruit ripeness estimation models have for decades depended on spectral index features or colour-based features, such as mean, standard deviation, skewness, colour moments, and/or histograms for learning traits of fruit ripeness. Recently, few studies have explored the use of deep learning techniques to extract features from images of fruits with visible ripeness cues. However, the blackberry (Rubus fruticosus) fruit does not show obvious and reliable visible traits of ripeness when mature and therefore poses great difficulty to fruit pickers. The mature blackberry, to the human eye, is black before, during, and post-ripening. To address this engineering application challenge, this paper proposes a novel multi-input convolutional neural network (CNN) ensemble classifier for detecting subtle traits of ripeness in blackberry fruits. The multi-input CNN was created from a pre-trained visual geometry group 16-layer deep convolutional network (VGG16) model trained on the ImageNet dataset. The fully connected layers were optimized for learning traits of ripeness of mature blackberry fruits. The resulting model served as the base for building homogeneous ensemble learners that were ensemble using the stack generalization ensemble (SGE) framework. The input to the network is images acquired with a stereo sensor using visible and near-infrared (VIS-NIR) spectral filters at wavelengths of 700 nm and 770 nm. Through experiments, the proposed model achieved 95.1% accuracy on unseen sets and 90.2% accuracy with in-field conditions. Further experiments reveal that machine sensory is highly and positively correlated to human sensory over blackberry fruit skin texture.
• Abstract（参考訳）: 果実熟度推定モデルは、果実熟度の特徴を学習するための平均、標準偏差、歪、色モーメント、/またはヒストグラムなど、スペクトル指数の特徴または色に基づく特徴に依存する。 近年,目に見える熟した果実の画像から特徴を抽出する深層学習技術を用いた研究はほとんど行われていない。 しかし、ブラックベリー (Rubus fruticosus) の果実は熟成時の熟しやすさの明らかで信頼性の高い特徴を示さず、果実摘みには非常に困難である。 成熟したblackberryは、人間の目には、前、中、後、黒色です。 そこで本研究では,ブラックベリー果実の熟しやすさの微妙な特徴を検出するために,新しいマルチインプット畳み込みニューラルネットワーク(CNN)アンサンブル分類器を提案する。 マルチインプットCNNは、ImageNetデータセットに基づいてトレーニングされた16層深層畳み込みネットワーク(VGG16)モデルから作成された。 完全連結層は成熟したblackberry果実の熟度特性を学習するために最適化された。 結果として得られたモデルは、スタック一般化アンサンブル(SGE)フレームワークを用いてアンサンブルされた同質なアンサンブル学習者を構築する基盤となった。 ネットワークへの入力は、可視・近赤外分光フィルタ(VIS-NIR)を用いて700nmと770nmの波長でステレオセンサーで取得される。 実験により、提案モデルは未発見のセットで95.1%、フィールド内条件で90.2%の精度を達成した。 さらなる実験により、blackberryの果実の皮膚のテクスチャよりも、機械の感覚は人間の感覚と高度かつ正の相関があることが明らかとなった。

関連論文リスト

• Classifying Healthy and Defective Fruits with a Multi-Input Architecture and CNN Models [0.0]
  主な目的は、CNNモデルの精度を高めることである。 その結果,Multi-Input アーキテクチャにシルエット画像を含めることで,優れた性能のモデルが得られることがわかった。
  論文  参考訳（メタデータ） (2024-10-14T21:37:12Z)
• An Application of Deep Learning for Sweet Cherry Phenotyping using YOLO Object Detection [8.943378640301734]
  樹木の果実の育種は、多くのサンプルにおいて、様々な果実品質特性の反復測定を含む長期的な活動である。 これらの特徴は、伝統的に、手動で果実を数え、間接的に果実の大きさを測ることによって測定される。 ディープラーニングの最近の進歩は、このプロセスの自動化に役立つ。 YOLOv3を用いて,カメラの視野におけるサツマイモの実の数をリアルタイムで計測する手法を開発した。
  論文  参考訳（メタデータ） (2023-02-13T21:24:09Z)
• 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)
• 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)
• Corrupted Image Modeling for Self-Supervised Visual Pre-Training [103.99311611776697]
  自己教師型視覚前訓練のためのCIM(Corrupted Image Modeling)を提案する。 CIMは、小さなトレーニング可能なBEiTを備えた補助発電機を使用して、人工マスクトークンを使用する代わりに入力イメージを破損させる。 事前トレーニング後、エンハンサーは下流タスク用の高容量ビジュアルエンコーダとして使用できる。
  論文  参考訳（メタデータ） (2022-02-07T17:59:04Z)
• Measuring the Ripeness of Fruit with Hyperspectral Imaging and Deep Learning [14.853897011640022]
  本稿では,ハイパースペクトルカメラとディープニューラルネットワークアーキテクチャを用いて果実の熟度を計測するシステムを提案する。 このアーキテクチャは、成熟状態の予測において、競合するベースラインモデルに勝った。
  論文  参考訳（メタデータ） (2021-04-20T07:43:19Z)
• Convolutional Neural Networks from Image Markers [62.997667081978825]
  特徴 画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。 本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。 その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
  論文  参考訳（メタデータ） (2020-12-15T22:58:23Z)
• Assessing The Importance Of Colours For CNNs In Object Recognition [70.70151719764021]
  畳み込みニューラルネットワーク(CNN)は相反する性質を示すことが示されている。 CNNが予測をしながら色情報に大きく依存していることを実証します。 congruent, greyscale, incongruent画像の合同画像で学習したモデルを評価する。
  論文  参考訳（メタデータ） (2020-12-12T22:55:06Z)
• Compressive sensing with un-trained neural networks: Gradient descent finds the smoothest approximation [60.80172153614544]
  訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。 トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-07T15:57:25Z)
• Counting of Grapevine Berries in Images via Semantic Segmentation using Convolutional Neural Networks [5.826324731529213]
  本稿では、2つの異なるトレーニングシステムで動作する自動画像解析に基づく客観的フレームワークを提案する。 このフレームワークは、畳み込みニューラルネットワークを使用して、セマンティックセグメンテーションを実行することで、画像内の単一のベリーを検出する。 VSPでは94.0%,SMPHでは85.6%のベリー検出が可能であった。
  論文  参考訳（メタデータ） (2020-04-29T08:10:19Z)
• Real-Time Fruit Recognition and Grasping Estimation for Autonomous Apple Harvesting [6.634537400804884]
  このフレームワークは、果物認識のための多機能ニューラルネットワークと、ポイントネットグリップ推定を含む。 提案するフレームワークは,ロボットの把握のための把握ポーズを正確にローカライズし,推定することができる。
  論文  参考訳（メタデータ） (2020-03-30T09:37:55Z)

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。