論文の概要: An annotated grain kernel image database for visual quality inspection
- arxiv url: http://arxiv.org/abs/2401.08599v1
- Date: Mon, 20 Nov 2023 17:11:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 10:04:35.698370
- Title: An annotated grain kernel image database for visual quality inspection
- Title（参考訳）: 視覚的品質検査のための注釈付き穀物核画像データベース
- Authors: Lei Fan, Yiwen Ding, Dongdong Fan, Yong Wu, Hongxia Chu, Maurice
Pagnucco and Yang Song
- Abstract要約: 本稿では,穀物カーネルの視覚的品質検査を目的としたマシンビジョンベースデータベースGrainSetを提案する。
データベースには、専門家の注釈付き350K以上のシングルカーネルイメージが含まれている。
- 参考スコア（独自算出の注目度）: 15.134345284413683
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present a machine vision-based database named GrainSet for the purpose of
visual quality inspection of grain kernels. The database contains more than
350K single-kernel images with experts' annotations. The grain kernels used in
the study consist of four types of cereal grains including wheat, maize,
sorghum and rice, and were collected from over 20 regions in 5 countries. The
surface information of each kernel is captured by our custom-built device
equipped with high-resolution optic sensor units, and corresponding sampling
information and annotations include collection location and time, morphology,
physical size, weight, and Damage & Unsound grain categories provided by senior
inspectors. In addition, we employed a commonly used deep learning model to
provide classification results as a benchmark. We believe that our GrainSet
will facilitate future research in fields such as assisting inspectors in grain
quality inspections, providing guidance for grain storage and trade, and
contributing to applications of smart agriculture.
- Abstract（参考訳）: 本稿では,穀物カーネルの視覚的品質検査を目的としたマシンビジョンベースデータベースGrainSetを提案する。
データベースには、専門家の注釈付き350K以上のシングルカーネルイメージが含まれている。
本研究で使用した穀物核は,小麦,トウモロコシ,ソルガム,米の4種類の穀物からなり,5カ国20地域以上から収集された。
各カーネルの表面情報は、高分解能光学センサユニットを備えた独自のデバイスによってキャプチャされ、対応するサンプリング情報とアノテーションには、上級検査官が提供した収集場所と時間、形態、物理サイズ、重量、損傷と不健全な粒度カテゴリが含まれる。
さらに、ベンチマークとして分類結果を提供するために、よく使われるディープラーニングモデルを使用した。
我々は,穀物品質検査におけるインスペクタの支援,穀物の貯蔵・取引の指導,スマート農業の応用への貢献など,今後の研究の促進を期待する。
関連論文リスト
- Identifying the Defective: Detecting Damaged Grains for Cereal
Appearance Inspection [16.036591708687354]
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。
論文 参考訳（メタデータ） (2023-11-20T16:35:16Z) - HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using
Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。
本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。
本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文 参考訳（メタデータ） (2023-08-23T11:03:28Z) - 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) - Booster: a Benchmark for Depth from Images of Specular and Transparent
Surfaces [49.44971010149331]
本研究では,高分解能で高精度かつ高密度な地下構造ラベルを含む新しいデータセットを提案する。
我々の買収パイプラインは、新しい時空ステレオフレームワークを活用している。
データセットは85の異なるシーンで収集された606のサンプルで構成されている。
論文 参考訳（メタデータ） (2023-01-19T18:59:28Z) - Vision-Based Defect Classification and Weight Estimation of Rice Kernels [12.747541089354538]
そこで本研究では,イネカーネルの視覚的品質自動推定システムについて,その欠陥の種類に応じて分類し,視点型カーネルの重量比による品質評価を行う。
画像中の各カーネルの相対重量をその面積から測定する新しい指標を定義し,すべてのサンプルに対する各カーネルの相対重量を計算し,米の品質評価の基盤として利用できるようにした。
論文 参考訳（メタデータ） (2022-10-06T03:58:05Z) - 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) - 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) - ISIA Food-500: A Dataset for Large-Scale Food Recognition via Stacked
Global-Local Attention Network [50.7720194859196]
ウィキペディアのリストから500のカテゴリと399,726の画像を含むデータセットISIA Food-500を紹介する。
このデータセットは、既存の一般的なベンチマークデータセットをカテゴリカバレッジとデータボリュームで上回る。
食品認識のための2つのサブネットワークからなるグローバルローカルアテンションネットワークを提案する。
論文 参考訳（メタデータ） (2020-08-13T02:48:27Z) - Pollen13K: A Large Scale Microscope Pollen Grain Image Dataset [63.05335933454068]
この研究は、1万3千以上の天体を含む最初の大規模花粉画像データセットを提示する。
本稿では, エアロバイオロジカルサンプリング, 顕微鏡画像取得, 物体検出, セグメンテーション, ラベル付けなど, 採用データ取得のステップに注目した。
論文 参考訳（メタデータ） (2020-07-09T10:33:31Z) - Agriculture-Vision: A Large Aerial Image Database for Agricultural
Pattern Analysis [110.30849704592592]
本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。
各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。
農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
論文 参考訳（メタデータ） (2020-01-05T20:19:33Z)
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。