論文の概要: Agtech Framework for Cranberry-Ripening Analysis Using Vision Foundation Models

• arxiv url: http://arxiv.org/abs/2412.09739v1
• Date: Thu, 12 Dec 2024 22:03:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-16 15:03:01.773630
• Title: Agtech Framework for Cranberry-Ripening Analysis Using Vision Foundation Models
• Title（参考訳）: ビジョンファウンデーションモデルを用いたクランベリー熟成解析のためのAgtechフレームワーク
• Authors: Faith Johnson, Ryan Meegan, Jack Lowry, Peter Oudemans, Kristin Dana,
• Abstract要約: 航空画像と地上画像を用いたクランベリー作物の熟成過程を特徴付ける枠組みを開発した。 この作品はこの種の最初のものであり、クランベリーやワインブドウ、オリーブ、ブルーベリー、トウモロコシなど他の作物に将来的な影響を及ぼす。
• 参考スコア（独自算出の注目度）: 1.5728609542259502
• License:
• Abstract: Agricultural domains are being transformed by recent advances in AI and computer vision that support quantitative visual evaluation. Using aerial and ground imaging over a time series, we develop a framework for characterizing the ripening process of cranberry crops, a crucial component for precision agriculture tasks such as comparing crop breeds (high-throughput phenotyping) and detecting disease. Using drone imaging, we capture images from 20 waypoints across multiple bogs, and using ground-based imaging (hand-held camera), we image same bog patch using fixed fiducial markers. Both imaging methods are repeated to gather a multi-week time series spanning the entire growing season. Aerial imaging provides multiple samples to compute a distribution of albedo values. Ground imaging enables tracking of individual berries for a detailed view of berry appearance changes. Using vision transformers (ViT) for feature detection after segmentation, we extract a high dimensional feature descriptor of berry appearance. Interpretability of appearance is critical for plant biologists and cranberry growers to support crop breeding decisions (e.g.\ comparison of berry varieties from breeding programs). For interpretability, we create a 2D manifold of cranberry appearance by using a UMAP dimensionality reduction on ViT features. This projection enables quantification of ripening paths and a useful metric of ripening rate. We demonstrate the comparison of four cranberry varieties based on our ripening assessments. This work is the first of its kind and has future impact for cranberries and for other crops including wine grapes, olives, blueberries, and maize. Aerial and ground datasets are made publicly available.
• Abstract（参考訳）: 農業領域は、定量的視覚評価をサポートするAIとコンピュータビジョンの最近の進歩によって変革されている。 本研究は, クロマツの育種過程を特徴付けるための枠組みを開発し, 作物の品種比較(高スループット表現型化)や病気の検出など, 精密農業の課題に欠かせない要素である。 ドローン画像を用いて、複数のボグにまたがる20のウェイポイントの画像を撮影し、グラウンドベースイメージング(ハンドヘルドカメラ)を用いて、固定されたフィデューシャルマーカーを使用して、同じボグパッチを撮像する。 どちらの撮像法も、成長期全体にわたる複数週間の時系列を収集するために繰り返される。 空中イメージングは、アルベド値の分布を計算するために複数のサンプルを提供する。 グラウンドイメージングは、ベリーの外観変化を詳細に見るために、個々のベリーの追跡を可能にする。 セグメンテーション後の特徴検出に視覚変換器 (ViT) を用いて, ベリー外観の高次元特徴記述子を抽出する。 植物生物学者やクランベリー栽培者は、作物の育種決定(例えば、育種プログラムからのベリー品種の比較)を支援することが重要である。 解釈容易性のために,VIT特徴量に対するUMAP次元性還元を用いて,クランベリー外観の2次元多様体を作成する。 このプロジェクションは、熟成経路の定量化と、熟成速度の有用な指標を可能にする。 本研究は,4種類のクランベリー品種の比較を,育種評価に基づいて示すものである。 この作品はこの種の最初のものであり、クランベリーやワインブドウ、オリーブ、ブルーベリー、トウモロコシなど他の作物に将来的な影響を及ぼす。 航空と地上のデータセットは公開されています。

関連論文リスト

• BonnBeetClouds3D: A Dataset Towards Point Cloud-based Organ-level Phenotyping of Sugar Beet Plants under Field Conditions [30.27773980916216]
  農業生産は今後数十年間、気候変動と持続可能性の必要性によって深刻な課題に直面している。 自律無人航空機(UAV)による作物のモニタリングと、ロボットによる非化学雑草によるフィールド管理の進歩は、これらの課題に対処するのに有用である。 表現型化と呼ばれる植物形質の分析は、植物の育種に不可欠な活動であるが、大量の手作業が伴う。
  論文  参考訳（メタデータ） (2023-12-22T14:06:44Z)
• Vision-Based Cranberry Crop Ripening Assessment [1.8434042562191815]
  この研究は、コンピュータビジョンを用いた熟成の定量的評価において、最初のものである。 ワインのブドウ、オリーブ、ブルーベリー、トウモロコシなどクランベリー以外の作物にも影響がある。
  論文  参考訳（メタデータ） (2023-08-31T14:58:11Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• 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)
• Agricultural Plant Cataloging and Establishment of a Data Framework from UAV-based Crop Images by Computer Vision [4.0382342610484425]
  本稿では,UAVからの収穫画像の時間的・空間的識別と識別を自動化するための手動ワークフローを提案する。 提案手法は農業におけるUAVデータの分析と解釈を大幅に改善する。
  論文  参考訳（メタデータ） (2022-01-08T21:14:07Z)
• 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)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)
• Deep Multi-view Image Fusion for Soybean Yield Estimation in Breeding Applications Deep Multi-view Image Fusion for Soybean Yield Estimation in Breeding Applications [7.450586438835518]
  本研究の目的は,ダイズポッドカウントに適応する機械学習(ML)アプローチを開発することである。 ディープラーニングアーキテクチャを用いた多視点画像に基づく収量推定フレームワークを開発した。 以上の結果から,MLモデルが時間と労力を大幅に削減して繁殖決定を下すことが示唆された。
  論文  参考訳（メタデータ） (2020-11-13T20:37:04Z)
• 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)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)
• Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [110.30849704592592]
  本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。 各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。 農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
  論文  参考訳（メタデータ） (2020-01-05T20:19:33Z)

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。