論文の概要: Classifying Healthy and Defective Fruits with a Multi-Input Architecture and CNN Models

• arxiv url: http://arxiv.org/abs/2410.11108v1
• Date: Mon, 14 Oct 2024 21:37:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-16 14:03:33.382880
• Title: Classifying Healthy and Defective Fruits with a Multi-Input Architecture and CNN Models
• Title（参考訳）: マルチ入力アーキテクチャとCNNモデルによる健康・欠陥果実の分類
• Authors: Luis Chuquimarca, Boris Vintimilla, Sergio Velastin,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study presents an investigation into the utilization of a Multi-Input architecture for the classification of fruits (apples and mangoes) into healthy and defective states, employing both RGB and silhouette images. The primary aim is to enhance the accuracy of CNN models. The methodology encompasses image acquisition, preprocessing of datasets, training, and evaluation of two CNN models: MobileNetV2 and VGG16. Results reveal that the inclusion of silhouette images alongside the Multi-Input architecture yields models with superior performance compared to using only RGB images for fruit classification, whether healthy or defective. Specifically, optimal results were achieved using the MobileNetV2 model, achieving 100\% accuracy. This finding suggests the efficacy of this combined methodology in improving the precise classification of healthy or defective fruits, which could have significant implications for applications related to external quality inspection of fruits.
• Abstract（参考訳）: 本研究では,RGB画像とシルエット画像の両方を用いて,果実(アパッチ,マンゴー)を健全かつ欠陥のある状態に分類するためのマルチ入力アーキテクチャの利用について検討した。 主な目的は、CNNモデルの精度を高めることである。 この手法は、2つのCNNモデル、MobileNetV2とVGG16の画像取得、データセットの事前処理、トレーニング、評価を含む。 その結果, シルエット画像とマルチ入力アーキテクチャを併用することで, 果実の分類にRGB画像のみを用いる場合と比較して, 良好な性能のモデルが得られることがわかった。 具体的には、MobileNetV2モデルを用いて最適な結果が得られ、100\%の精度が得られた。 この知見は、この組み合わせが、健康または欠陥のある果実の正確な分類を改善するために有効であることが示唆され、果実の外部品質検査に関する応用に重大な影響を及ぼす可能性がある。

関連論文リスト

• Fruit Classification System with Deep Learning and Neural Architecture Search [0.9217021281095907]
  この研究では、Avocado、Bana、Cherry、Apple Braeburn、Apple Golden 1, Apricot、Grape、Kiwi、Mango、Orange、Papaaya、Peach、Pineapple、Pomegranate、Strawberryの合計15種類の果物が特定された。 提案した99.98% mAPモデルにより,Fruitデータセットを用いた先行研究における検出性能が向上した。
  論文  参考訳（メタデータ） (2024-06-04T00:41:47Z)
• Opinion-Unaware Blind Image Quality Assessment using Multi-Scale Deep Feature Statistics [54.08757792080732]
  我々は,事前学習された視覚モデルからの深い特徴を統計的解析モデルと統合して,意見認識のないBIQA(OU-BIQA)を実現することを提案する。 提案モデルは,最先端のBIQAモデルと比較して,人間の視覚的知覚との整合性に優れる。
  論文  参考訳（メタデータ） (2024-05-29T06:09:34Z)
• Convolutional Neural Network Ensemble Learning for Hyperspectral Imaging-based Blackberry Fruit Ripeness Detection in Uncontrolled Farm Environment [4.292727554656705]
  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。
  論文  参考訳（メタデータ） (2024-01-09T12:00:17Z)
• An Improved CNN-based Neural Network Model for Fruit Sugar Level Detection [24.07349410158827]
  我々は,果実の可視/近赤外(V/NIR)スペクトルに基づいて,ニューラルネットワーク(ANN)を用いた果実糖度推定のための回帰モデルを構築した。 果実糖濃度を検出対象として,Gan Nan Navel と Tian Shan Pear の2種類の果実データを収集し,その比較実験を行った。
  論文  参考訳（メタデータ） (2023-11-18T17:07:25Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Apple Counting using Convolutional Neural Networks [22.504279159923765]
  果樹園のような現実の環境でのイメージから、正確で信頼性の高い果実や野菜の数を推定することは、難しい問題である。 コンボリューショナルニューラルネットワークを訓練することにより,画像から果実を数えることを多クラス分類問題として定式化し,その問題を解決する。 当社のネットワークは、最大94%の精度で、4つのデータセットのうち3つでパフォーマンスを向上しています。
  論文  参考訳（メタデータ） (2022-08-24T14:13:40Z)
• 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)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• A methodology for detection and localization of fruits in apples orchards from aerial images [0.0]
  本研究は, 空中画像を用いた自動果物カウント手法を提案する。 複数のビュー形状に基づくアルゴリズムが含まれており、果物の追跡を行う。 予備評価では,リンゴの果実数と実収率との間に0.8以上の相関が認められた。
  論文  参考訳（メタデータ） (2021-10-24T01:57:52Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)

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。