Fugu-MT 論文翻訳(概要): Enhancing Apple's Defect Classification: Insights from Visible Spectrum and Narrow Spectral Band Imaging

論文の概要: Enhancing Apple's Defect Classification: Insights from Visible Spectrum and Narrow Spectral Band Imaging

arxiv url: http://arxiv.org/abs/2410.19784v1
Date: Mon, 14 Oct 2024 21:37:26 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-03 08:19:44.291093
Title: Enhancing Apple's Defect Classification: Insights from Visible Spectrum and Narrow Spectral Band Imaging
Title（参考訳）: Appleの欠陥分類の強化:可視スペクトルと狭帯域画像からの洞察
Authors: Omar Coello, Moisés Coronel, Darío Carpio, Boris Vintimilla, Luis Chuquimarca,
Abstract要約: 本研究は, リンゴの欠陥の分類を, 経済的損失を軽減し, 食品サプライチェーンを最適化するための重要な手段として扱う。可視光と660nmの波長の画像を統合して、欠陥分類の精度と効率を高める革新的なアプローチが採用されている。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: This study addresses the classification of defects in apples as a crucial measure to mitigate economic losses and optimize the food supply chain. An innovative approach is employed that integrates images from the visible spectrum and 660 nm spectral wavelength to enhance accuracy and efficiency in defect classification. The methodology is based on the use of Single-Input and Multi-Inputs convolutional neural networks (CNNs) to validate the proposed strategies. Steps include image acquisition and preprocessing, classification model training, and performance evaluation. Results demonstrate that defect classification using the 660 nm spectral wavelength reveals details not visible in the entire visible spectrum. It is seen that the use of the appropriate spectral range in the classification process is slightly superior to the entire visible spectrum. The MobileNetV1 model achieves an accuracy of 98.80\% on the validation dataset versus the 98.26\% achieved using the entire visible spectrum. Conclusions highlight the potential to enhance the method by capturing images with specific spectral ranges using filters, enabling more effective network training for classification task. These improvements could further enhance the system's capability to identify and classify defects in apples.
Abstract（参考訳）: 本研究は, リンゴの欠陥の分類を, 経済的損失を軽減し, 食品サプライチェーンを最適化するための重要な手段として扱う。可視光と660nmの波長の画像を統合して、欠陥分類の精度と効率を高める革新的なアプローチが採用されている。この手法は、提案した戦略を検証するためにシングル入力とマルチ入力畳み込みニューラルネットワーク(CNN)を用いている。ステップには、画像取得と前処理、分類モデルトレーニング、パフォーマンス評価が含まれる。結果, 660nmのスペクトル波長を用いた欠陥分類では, 可視光スペクトル全体では見えない細部が明らかとなった。分類過程における適切なスペクトル範囲の使用は、可視スペクトル全体よりもわずかに優れていると考えられる。 MobileNetV1モデルは、検証データセットの98.80\%の精度を、全可視スペクトルを用いて達成された98.26\%に対して達成する。結論は、フィルタを用いて特定のスペクトル範囲の画像をキャプチャし、分類タスクのためのより効果的なネットワークトレーニングを可能にすることにより、この手法を強化する可能性を強調している。これらの改善は、リンゴの欠陥を特定し分類するシステムの能力をさらに強化する可能性がある。

関連論文リスト

Capsule Endoscopy Multi-classification via Gated Attention and Wavelet Transformations [1.5146068448101746]
消化管の異常は患者の健康に大きく影響を与え、タイムリーな診断が必要である。この研究は、ビデオフレームから消化管の異常を分類するために設計された新しいモデルの開発と評価のプロセスを示す。 Omni次元のGated Attention(OGA)機構とWavelet変換技術をモデルアーキテクチャに統合することで、モデルは最も重要な領域に集中することができた。このモデルの性能は、VGG16とResNet50の2つのベースモデルに対してベンチマークされ、胃腸の異常範囲を正確に識別し分類する能力の強化が示されている。
論文参考訳（メタデータ） (2024-10-25T08:01:35Z)
Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
非視線画像(NLOS)は、その潜在的な応用により注目されている。既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
論文参考訳（メタデータ） (2024-09-21T04:39:45Z)
Utilizing Generative Adversarial Networks for Image Data Augmentation and Classification of Semiconductor Wafer Dicing Induced Defects [0.21990652930491852]
半導体製造において、ウエハダイシングプロセスは中心的でありながら、収率を著しく損なう欠陥に対して脆弱である。深層ニューラルネットワーク(Deep Neural Network)は、半自動視覚検査における最先端技術である。本稿では, 半導体ウェハダイシングによる欠陥の画像データの増大と分類にGAN(Generative Adversarial Network)の適用について検討する。
論文参考訳（メタデータ） (2024-07-24T20:44:16Z)
Dual-band feature selection for maturity classification of specialty crops by hyperspectral imaging [5.905721043072562]
イチゴやトマトなどの特産作物の成熟度分類は、農業の下流における重要な活動である。近年のDeep Learningの進歩は、成熟度分類のためのカラー画像の奨励的な結果を生み出している。成熟度分類のための特徴抽出法を提案する。
論文参考訳（メタデータ） (2024-05-16T10:01:16Z)
DiffSpectralNet : Unveiling the Potential of Diffusion Models for Hyperspectral Image Classification [6.521187080027966]
我々は拡散と変圧器技術を組み合わせたDiffSpectralNetと呼ばれる新しいネットワークを提案する。まず,拡散モデルに基づく教師なし学習フレームワークを用いて,高レベル・低レベルのスペクトル空間的特徴を抽出する。この拡散法はスペクトル空間の特徴を多様かつ有意義に抽出し,HSI分類の改善につながる。
論文参考訳（メタデータ） (2023-10-29T15:26:37Z)
Classification robustness to common optical aberrations [64.08840063305313]
本稿では,現実的かつ実用的な光ぼけ効果に対するロバスト性を調べるためのベンチマークである OpticsBench を提案する。 ImageNetの実験では、様々な訓練済みのDNNに対して、ディスク形状のカーネルと比較して、パフォーマンスが強いことが示されている。我々は,光カーネルをデータ拡張として使用することにより,拡張可能なImageNet-100について述べる。
論文参考訳（メタデータ） (2023-08-29T08:36:00Z)
Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
論文参考訳（メタデータ） (2023-01-19T11:37:20Z)
Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文参考訳（メタデータ） (2021-03-22T20:36:34Z)
Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in Frequency Domain [88.7339322596758]
本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。 SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
論文参考訳（メタデータ） (2021-03-02T16:45:08Z)
Prediction of low-keV monochromatic images from polyenergetic CT scans for improved automatic detection of pulmonary embolism [21.47219330040151]
我々は、従来の単エネルギーCT取得からモノE画像の生成をエミュレートできる畳み込みニューラルネットワークを訓練している。我々は,これらの手法をマルチタスク最適化手法を用いて拡張し,改良された分類と生成結果を実現する。
論文参考訳（メタデータ） (2021-02-02T11:42:31Z)
Cross-Spectral Periocular Recognition with Conditional Adversarial Networks [59.17685450892182]
本研究では,近赤外・近赤外スペクトル間の近赤外画像の変換を訓練した条件付き生成逆相関ネットワークを提案する。 EER=1%, GAR>99% @ FAR=1%, ポリUデータベースの最先端技術に匹敵するスペクトル近視性能を得た。
論文参考訳（メタデータ） (2020-08-26T15:02:04Z)

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。