論文の概要: Deep learning-based approach for tomato classification in complex scenes

• arxiv url: http://arxiv.org/abs/2401.15055v1
• Date: Fri, 26 Jan 2024 18:33:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-29 14:15:05.649257
• Title: Deep learning-based approach for tomato classification in complex scenes
• Title（参考訳）: 複雑な場面におけるトマト分類のための深層学習に基づくアプローチ
• Authors: Mikael A. Mousse, Bethel C. A. R. K. Atohoun, Cina Motamed
• Abstract要約: 複雑な場面における深層学習に基づくトマト熟成モニタリング手法を提案する。 目的は、成熟したトマトを検出し、タイムリーに収穫することである。 実験は、さまざまな言語にまたがるトマトの状態を用いて、インターネットから収集された画像に基づいて行われる。
• 参考スコア（独自算出の注目度）: 0.8287206589886881
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tracking ripening tomatoes is time consuming and labor intensive. Artificial intelligence technologies combined with those of computer vision can help users optimize the process of monitoring the ripening status of plants. To this end, we have proposed a tomato ripening monitoring approach based on deep learning in complex scenes. The objective is to detect mature tomatoes and harvest them in a timely manner. The proposed approach is declined in two parts. Firstly, the images of the scene are transmitted to the pre-processing layer. This process allows the detection of areas of interest (area of the image containing tomatoes). Then, these images are used as input to the maturity detection layer. This layer, based on a deep neural network learning algorithm, classifies the tomato thumbnails provided to it in one of the following five categories: green, brittle, pink, pale red, mature red. The experiments are based on images collected from the internet gathered through searches using tomato state across diverse languages including English, German, French, and Spanish. The experimental results of the maturity detection layer on a dataset composed of images of tomatoes taken under the extreme conditions, gave a good classification rate.
• Abstract（参考訳）: トマトの熟成を追跡するのは時間と労力を要する。 人工知能技術とコンピュータビジョンの技術の組み合わせは、植物の成熟状態を監視するプロセスを最適化するのに役立つ。 そこで我々は,複雑な場面における深層学習に基づくトマト熟成モニタリング手法を提案する。 目的は、成熟したトマトを検出し、タイムリーに収穫することである。 提案手法は2つの部分に分かれている。 まず、シーンの画像が前処理層に送信される。 このプロセスは興味のある領域(トマトを含む画像の領域)を検出することができる。 そして、これらの画像を成熟度検出層への入力として使用する。 この層は、ディープニューラルネットワーク学習アルゴリズムに基づいて、緑、脆性、ピンク、淡い赤、成熟した赤の5つのカテゴリの1つに提供されるトマトのサムネイルを分類する。 実験は、英語、ドイツ語、フランス語、スペイン語などさまざまな言語でトマトの状態を検索し、インターネットから収集された画像に基づいている。 極端条件下で採取したトマトの画像からなるデータセット上の成熟度検出層の実験結果から,良好な分類率を得た。

関連論文リスト

• Tomato Maturity Recognition with Convolutional Transformers [5.220581005698766]
  著者らは畳み込み変換器を用いたトマト成熟度分類の新しい手法を提案する。 KUTomaDataと呼ばれる新しいトマトデータセットは、トマトのセグメンテーションと分類のためのディープラーニングモデルをトレーニングするために設計されている。 著者らは、この畳み込みトランスフォーマーがトマト成熟度分類の最先端手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-07-04T07:33:53Z)
• Detection of Tomato Ripening Stages using Yolov3-tiny [0.0]
  トマトの分類と検出にはニューラルネットワークを用いたモデルを用いる。 実験の結果, カスタムデータセットにおける熟成段階の局在と分類において, f1スコアは90.0%であった。
  論文  参考訳（メタデータ） (2023-02-01T00:57:58Z)
• Deep Image Deblurring: A Survey [165.32391279761006]
  低レベルのコンピュータビジョンにおいて、デブロアリングは古典的な問題であり、ぼやけた入力画像からシャープなイメージを復元することを目的としている。 近年のディープラーニングの進歩は、この問題の解決に大きな進歩をもたらした。
  論文  参考訳（メタデータ） (2022-01-26T01:31:30Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Evaluating the Single-Shot MultiBox Detector and YOLO Deep Learning Models for the Detection of Tomatoes in a Greenhouse [2.949270275392492]
  本稿では緑と赤みがかったトマトの注釈付き視覚データセットに寄与する。 ロボットプラットフォーム仕様を考えると、シングルショットマルチボックス検出器(SSD)とYOLOアーキテクチャのみを考慮した。 その結果、緑と赤みがかったトマトを検知できることがわかりました。
  論文  参考訳（メタデータ） (2021-09-02T09:39:12Z)
• Geometry-Based Grasping of Vine Tomatoes [6.547498821163685]
  ブドウトマトの形状に基づく把持方法を提案する。 トマトとトラス茎の幾何学的特徴を特定するためにコンピュータビジョンのパイプラインに依存している。 把握方法は、ロボットハンドとトラスの幾何学モデルを用いて、ステム上の適切な把握位置を決定する。
  論文  参考訳（メタデータ） (2021-03-01T19:33:51Z)
• Split then Refine: Stacked Attention-guided ResUNets for Blind Single Image Visible Watermark Removal [69.92767260794628]
  従来の透かし除去方法は,ユーザから透かしの位置を取得したり,マルチタスクネットワークをトレーニングして,背景を無差別に復元する必要があった。 本稿では,注目誘導型ResUNetsを積み重ねた新しい2段階フレームワークを提案し,検出・除去・精錬の過程をシミュレートする。 様々な条件下で4つの異なるデータセット上でアルゴリズムを広範囲に評価し,その手法が他の最先端手法をはるかに上回っていることを示す実験を行った。
  論文  参考訳（メタデータ） (2020-12-13T09:05:37Z)
• Remote Sensing Image Scene Classification Meets Deep Learning: Challenges, Methods, Benchmarks, and Opportunities [81.29441139530844]
  本稿では,160以上の論文を網羅し,リモートセンシング画像シーン分類のためのディープラーニング手法の体系的調査を行う。 リモートセンシング画像シーンの分類と調査の主な課題について論じる。 リモートセンシング画像シーン分類に使用されるベンチマークを導入し,2ダース以上の代表アルゴリズムの性能を要約する。
  論文  参考訳（メタデータ） (2020-05-03T14:18:00Z)
• 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)
• Self-Supervised Viewpoint Learning From Image Collections [116.56304441362994]
  本稿では,解析・合成パラダイムを取り入れた新たな学習フレームワークを提案する。 提案手法は,人間の顔,車,バス,電車など,複数の対象カテゴリに対して,完全に教師されたアプローチに対して競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2020-04-03T22:01:41Z)
• Learning Depth With Very Sparse Supervision [57.911425589947314]
  本稿では, 環境との相互作用を通じて, 知覚が世界の3次元特性と結合するという考えを考察する。 我々は、環境と対話するロボットが利用できるような、特殊なグローバルローカルネットワークアーキテクチャを訓練する。 いくつかのデータセットの実験では、画像ピクセルの1つでも基底真理が利用できる場合、提案されたネットワークは、最先端のアプローチよりも22.5%の精度でモノクロの深度推定を学習できることを示している。
  論文  参考訳（メタデータ） (2020-03-02T10:44:13Z)

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。