論文の概要: Melon Fruit Detection and Quality Assessment Using Generative AI-Based Image Data Augmentation
- arxiv url: http://arxiv.org/abs/2407.10413v1
- Date: Mon, 15 Jul 2024 03:26:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 16:20:45.843927
- Title: Melon Fruit Detection and Quality Assessment Using Generative AI-Based Image Data Augmentation
- Title(参考訳): 生成AIに基づく画像データ拡張を用いたメロン果実の検出と品質評価
- Authors: Seungri Yoon, Yunseong Cho, Tae In Ahn,
- Abstract要約: 生成AIモデルは高品質な画像を作成するのに役立つ。
私たちはMidJourneyとFireflyのツールを使って、メロンの温室と収穫後の果実の画像を生成しました。
YOLOv9モデルは生成した画像を良好に検出し、純品質も測定可能であった。
- 参考スコア(独自算出の注目度): 1.0377683220196872
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Monitoring and managing the growth and quality of fruits are very important tasks. To effectively train deep learning models like YOLO for real-time fruit detection, high-quality image datasets are essential. However, such datasets are often lacking in agriculture. Generative AI models can help create high-quality images. In this study, we used MidJourney and Firefly tools to generate images of melon greenhouses and post-harvest fruits through text-to-image, pre-harvest image-to-image, and post-harvest image-to-image methods. We evaluated these AIgenerated images using PSNR and SSIM metrics and tested the detection performance of the YOLOv9 model. We also assessed the net quality of real and generated fruits. Our results showed that generative AI could produce images very similar to real ones, especially for post-harvest fruits. The YOLOv9 model detected the generated images well, and the net quality was also measurable. This shows that generative AI can create realistic images useful for fruit detection and quality assessment, indicating its great potential in agriculture. This study highlights the potential of AI-generated images for data augmentation in melon fruit detection and quality assessment and envisions a positive future for generative AI applications in agriculture.
- Abstract(参考訳): 果実の成長と品質のモニタリングと管理は、非常に重要なタスクである。
リアルタイムの果物検出にYOLOなどのディープラーニングモデルを効果的にトレーニングするためには、高品質の画像データセットが不可欠である。
しかし、このようなデータセットはしばしば農業に欠けている。
生成AIモデルは高品質な画像を作成するのに役立つ。
本研究では、MidJourneyとFireflyのツールを用いて、テキスト・ツー・イメージ、プレ・ハーヴェスト・イメージ・トゥ・イメージ、およびポスト・ハーヴェスト・イメージ・トゥ・イメージによるメロン温室とポスト・ハーヴェスト・フルーツの画像を生成する。
我々は,これらのAI生成画像をPSNRおよびSSIMメトリクスを用いて評価し,YOLOv9モデルの検出性能を検証した。
また,実生果実の純品質についても検討した。
以上の結果から,生成AIは実物と非常によく似た画像を生成できることが示唆された。
YOLOv9モデルは生成した画像を良好に検出し、純品質も測定可能であった。
このことは、生成的AIが、果物の検出と品質評価に有用な現実的なイメージを作成できることを示し、農業におけるその大きな可能性を示している。
本研究は,メロン果実の検出と品質評価におけるデータ増大のためのAI生成画像の可能性を強調し,農業における生成AI応用の肯定的な将来を想定する。
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) - A Sanity Check for AI-generated Image Detection [49.08585395873425]
本稿では,AIによる画像検出の課題が解決されたかどうかの検査を行う。
既存の手法の一般化を定量化するために,Chameleonデータセット上で,既製のAI生成画像検出器を9つ評価した。
複数の専門家が同時に視覚的アーチファクトやノイズパターンを抽出するAI生成画像検出装置(AID)を提案する。
論文 参考訳(メタデータ) (2024-06-27T17:59:49Z) - RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。
RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
論文 参考訳(メタデータ) (2024-05-30T14:49:54Z) - Creating Image Datasets in Agricultural Environments using DALL.E: Generative AI-Powered Large Language Model [0.4143603294943439]
画像生成のアプローチとして,テキスト・ツー・イメージと画像・ツー・イメージの2つのアプローチを用いた。
画像から画像までの手法で生成した画像は、テキストから画像へのアプローチで生成した画像よりも現実的であった。
論文 参考訳(メタデータ) (2023-07-17T19:17:10Z) - Is synthetic data from generative models ready for image recognition? [69.42645602062024]
本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。
本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
論文 参考訳(メタデータ) (2022-10-14T06:54:24Z) - 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) - Generative Adversarial Networks for Image Augmentation in Agriculture: A
Systematic Review [5.639656362091594]
2014年にコンピュータビジョンコミュニティで発明されたGAN(Generative Adversarial Network)は、優れたデータ表現を学習できる新しいアプローチスイートを提供する。
本稿では, GAN アーキテクチャの進化を概観するとともに, 農業への導入を体系的に検討する。
論文 参考訳(メタデータ) (2022-04-10T15:33:05Z) - Enlisting 3D Crop Models and GANs for More Data Efficient and
Generalizable Fruit Detection [0.0]
本稿では,合成3次元作物モデルドメインから実世界の作物ドメインへの農業画像生成手法を提案する。
本手法は, 果実の位置と形状を保存するために, 意味的に制約されたGAN (generative adversarial network) を用いる。
ブドウ品種検出タスクにおける増分訓練実験により,本手法から生成した画像がドメインプロセスを大幅に高速化できることが判明した。
論文 参考訳(メタデータ) (2021-08-30T16:11:59Z) - 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) - Fruit Quality and Defect Image Classification with Conditional GAN Data
Augmentation [2.6424021470496672]
微調整、トランスファーラーニング、ジェネレーションモデルに基づくトレーニングデータ拡張というアイデアを組み合わせた機械学習パイプラインを提案します。
畳み込み層に完全に接続された4096個のニューロンを付加すると、83.77%の画像分類精度が得られる。
そして,2000エポックの訓練データに基づいて条件付き生成型adversarial networkを訓練し,比較的現実的な画像を生成することを学ぶ。
論文 参考訳(メタデータ) (2021-04-12T17:13:05Z)
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。