論文の概要: Automated Defect Detection and Grading of Piarom Dates Using Deep Learning

• arxiv url: http://arxiv.org/abs/2410.18208v1
• Date: Wed, 23 Oct 2024 18:25:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 12:50:57.119724
• Title: Automated Defect Detection and Grading of Piarom Dates Using Deep Learning
• Title（参考訳）: 深層学習によるピアロム日付の自動欠陥検出とグラフ化
• Authors: Nasrin Azimi, Danial Mohammad Rezaei,
• Abstract要約: 本稿では,ピアロム日付のリアルタイム検出・分類・評価に特化して設計された,革新的なディープラーニングフレームワークを提案する。 我々のフレームワークは、最先端のオブジェクト検出アルゴリズムと畳み込みニューラルネットワーク(CNN)を統合し、欠陥同定の高精度化を実現している。 実験の結果,既存の手法よりも精度と計算効率が優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Grading and quality control of Piarom dates, a premium and high-value variety cultivated predominantly in Iran, present significant challenges due to the complexity and variability of defects, as well as the absence of specialized automated systems tailored to this fruit. Traditional manual inspection methods are labor intensive, time consuming, and prone to human error, while existing AI-based sorting solutions are insufficient for addressing the nuanced characteristics of Piarom dates. In this study, we propose an innovative deep learning framework designed specifically for the real-time detection, classification, and grading of Piarom dates. Leveraging a custom dataset comprising over 9,900 high-resolution images annotated across 11 distinct defect categories, our framework integrates state-of-the-art object detection algorithms and Convolutional Neural Networks (CNNs) to achieve high precision in defect identification. Furthermore, we employ advanced segmentation techniques to estimate the area and weight of each date, thereby optimizing the grading process according to industry standards. Experimental results demonstrate that our system significantly outperforms existing methods in terms of accuracy and computational efficiency, making it highly suitable for industrial applications requiring real-time processing. This work not only provides a robust and scalable solution for automating quality control in the Piarom date industry but also contributes to the broader field of AI-driven food inspection technologies, with potential applications across various agricultural products.
• Abstract（参考訳）: イランで主に栽培されている高級で高価値の品種であるピアロムの彫像と品質管理は、欠陥の複雑さと多様性、およびこの果物に合わせた特殊な自動化システムが存在しないことによる重大な課題を提起している。 従来の手作業による検査手法は労働集約的であり、時間を要するため、ヒューマンエラーを起こしやすいが、既存のAIベースのソートソリューションはピアロムの微妙な特徴に対処するには不十分である。 本研究では,ピアロムの日付のリアルタイム検出,分類,段階付けに特化して設計された,革新的なディープラーニングフレームワークを提案する。 11の異なる欠陥カテゴリにアノテートされた9,900以上の高解像度画像からなるカスタムデータセットを活用することで、最新のオブジェクト検出アルゴリズムと畳み込みニューラルネットワーク(CNN)を統合し、欠陥識別の高精度を実現する。 さらに,各日付の面積と重量を推定するために,先進的なセグメンテーション技術を用いて,業界標準に従ってグレーティングプロセスを最適化する。 実験結果から,本システムは既存の手法よりも精度と計算効率が優れており,リアルタイム処理を必要とする産業アプリケーションに極めて適していることが示された。 この作業は、Piaromの日付産業における品質管理を自動化するための堅牢でスケーラブルなソリューションを提供するだけでなく、AI駆動の食品検査技術の幅広い分野に貢献し、さまざまな農業製品に潜在的な応用をもたらす。

関連論文リスト

• Self-Supervised Time-Series Anomaly Detection Using Learnable Data Augmentation [37.72735288760648]
  本稿では,学習可能なデータ拡張に基づく時系列異常検出(LATAD)手法を提案する。 LATADは、比較学習を通じて時系列データから識別的特徴を抽出する。 その結果、LATADは最先端の異常検出評価に匹敵する、あるいは改善された性能を示した。
  論文  参考訳（メタデータ） (2024-06-18T04:25:56Z)
• Weakly Supervised Anomaly Detection via Knowledge-Data Alignment [24.125871437370357]
  マルウェア検出、マネーロンダリング、デバイス障害検出、ネットワーク障害解析など、多数のWebベースのアプリケーションにおいて、異常検出が重要な役割を果たす。 Weakly Supervised Anomaly Detection (WSAD) が導入された。 本稿では,ルール知識を統合するための知識データアライメント(KDAlign)について紹介する。
  論文  参考訳（メタデータ） (2024-02-06T07:57:13Z)
• On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
  我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。 まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
  論文  参考訳（メタデータ） (2023-02-05T01:39:21Z)
• Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
  異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。 本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:34Z)
• Human readable network troubleshooting based on anomaly detection and feature scoring [11.593495085674343]
  i) 時間領域における異常検出のための教師なし学習手法,(ii) 特徴空間における特徴のランク付けのための注意機構,(iii) 専門知識モジュールに基づくシステムを提案する。 本研究は, システム全体の性能と, 個々のビルディングブロックの性能を, 徹底的に評価する。
  論文  参考訳（メタデータ） (2021-08-26T14:20:36Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Real-World Anomaly Detection by using Digital Twin Systems and Weakly-Supervised Learning [3.0100975935933567]
  本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。 これらのアプローチでは、Digital Twinを使用して、機械の通常の動作をシミュレートするトレーニングデータセットを生成する。 提案手法の性能を,実世界のデータセットに応用した様々な最先端の異常検出アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2020-11-12T10:15:56Z)
• AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
  外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。 本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。 さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-06-19T18:57:51Z)

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。