論文の概要: Synthetic Data Generation for Anomaly Detection on Table Grapes
- arxiv url: http://arxiv.org/abs/2412.12949v1
- Date: Tue, 17 Dec 2024 14:29:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-18 13:57:28.603454
- Title: Synthetic Data Generation for Anomaly Detection on Table Grapes
- Title(参考訳): テーブルグラフ上の異常検出のための合成データ生成
- Authors: Ionut Marian Motoi, Valerio Belli, Alberto Carpineto, Daniele Nardi, Thomas Alessandro Ciarfuglia,
- Abstract要約: 果実栽培における病気や害虫の早期検出は、収量品質と植物の健康を維持するために重要である。
コンピュータビジョンとロボティクスは、このような問題を自動検出するためにますます採用されている。
この不足に対する解決策の1つは、合成された高品質な異常なサンプルの生成である。
- 参考スコア(独自算出の注目度): 2.935752166220662
- License:
- Abstract: Early detection of illnesses and pest infestations in fruit cultivation is critical for maintaining yield quality and plant health. Computer vision and robotics are increasingly employed for the automatic detection of such issues, particularly using data-driven solutions. However, the rarity of these problems makes acquiring and processing the necessary data to train such algorithms a significant obstacle. One solution to this scarcity is the generation of synthetic high-quality anomalous samples. While numerous methods exist for this task, most require highly trained individuals for setup. This work addresses the challenge of generating synthetic anomalies in an automatic fashion that requires only an initial collection of normal and anomalous samples from the user - a task that is straightforward for farmers. We demonstrate the approach in the context of table grape cultivation. Specifically, based on the observation that normal berries present relatively smooth surfaces, while defects result in more complex textures, we introduce a Dual-Canny Edge Detection (DCED) filter. This filter emphasizes the additional texture indicative of diseases, pest infestations, or other defects. Using segmentation masks provided by the Segment Anything Model, we then select and seamlessly blend anomalous berries onto normal ones. We show that the proposed dataset augmentation technique improves the accuracy of an anomaly classifier for table grapes and that the approach can be generalized to other fruit types.
- Abstract(参考訳): 果実栽培における病気や害虫の早期検出は、収量品質と植物の健康を維持するために重要である。
コンピュータビジョンとロボティクスは、特にデータ駆動型ソリューションを使用して、このような問題を自動検出するためにますます採用されている。
しかし、これらの問題の希少さにより、そのようなアルゴリズムを訓練するために必要なデータの取得と処理が大きな障害となる。
この不足に対する解決策の1つは、合成された高品質な異常なサンプルの生成である。
このタスクには多くの方法が存在するが、ほとんどの場合、セットアップには高度に訓練された個人が必要である。
本研究は, 農家にとって簡単な作業である, ユーザからの正常サンプルと異常サンプルの初期収集のみを必要とする, 自動的な合成異常を生成するという課題に対処する。
本研究は,テーブルグレープ栽培の文脈におけるアプローチを実証する。
具体的には、通常のベリーが比較的滑らかな表面を呈するのに対し、欠陥はより複雑なテクスチャをもたらすという観察に基づいて、Dual-Canny Edge Detection (DCED)フィルタを導入する。
このフィルターは、病気、害虫寄生、その他の欠陥を示す追加のテクスチャを強調させる。
Segment Anything Modelによって提供されるセグメンテーションマスクを使用して、異常なベリーを通常のものに選択し、シームレスにブレンドする。
提案手法により,テーブルグレープの異常分類器の精度が向上し,そのアプローチが他の果実品種に一般化可能であることを示す。
関連論文リスト
- Unsupervised Tomato Split Anomaly Detection using Hyperspectral Imaging and Variational Autoencoders [5.2502683871549305]
トマトに共通する異常は分裂であり、トマトの皮膚に亀裂が生じるのが特徴である。
我々は、このタイプの異常を検出するために、ハイパースペクトル入力を備えた調整された変分オートエンコーダ(VAE)を用いる。
その結果,530nmから550nmの範囲はトマト乾燥分画の同定に適していることが示唆された。
論文 参考訳(メタデータ) (2025-01-06T11:02:52Z) - Mask Factory: Towards High-quality Synthetic Data Generation for Dichotomous Image Segmentation [70.95380821618711]
Dichotomous Image (DIS) タスクは高度に正確なアノテーションを必要とする。
現在の生成モデルとテクニックは、シーンのずれ、ノイズによるエラー、限られたトレーニングサンプルの変動といった問題に苦慮している。
多様な正確なデータセットを生成するためのスケーラブルなソリューションを提供する。
論文 参考訳(メタデータ) (2024-12-26T06:37:25Z) - Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。
画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
論文 参考訳(メタデータ) (2024-10-14T08:41:31Z) - Small data deep learning methodology for in-field disease detection [6.2747249113031325]
本稿では,ポテト作物の遅発症状を軽度に検出できる最初の機械学習モデルを提案する。
提案手法は, 焦点損失関数を持つ深部畳み込みニューラルネットワークをベースとした, パッチ方式による高分解能画像の高精細化を実現する。
本モデルでは, 早期症状の同定に高い精度と有効性を示した。
論文 参考訳(メタデータ) (2024-09-25T17:31:17Z) - Label-free Anomaly Detection in Aerial Agricultural Images with Masked Image Modeling [0.46040036610482665]
Masked Autoencoders (MAE)は、ラベルのない画像サンプルから意味のある正常な特徴を抽出する。
我々は,異常画素の再構成を効果的に最小化する異常抑制損失機構を用いる。
単一モデルは、Agri-Vision Challengeデータセット内のすべての異常カテゴリを一般化する。
論文 参考訳(メタデータ) (2024-04-13T08:49:17Z) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳(メタデータ) (2024-01-06T07:30:41Z) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳(メタデータ) (2023-12-10T05:13:40Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - Identification of Abnormality in Maize Plants From UAV Images Using Deep
Learning Approaches [0.6226366855893847]
植物の異常の早期発見は、適切な生育を確保し、作物から高い収量を得るための重要な課題である。
本研究は, 成長段階とは無関係に, トウモロコシの異常度を判定する手法を開発した。
予備結果は、低い異常の88.89%の検出精度と100%の異常の検知精度を示している。
論文 参考訳(メタデータ) (2023-10-20T00:06:42Z) - AMaizeD: An End to End Pipeline for Automatic Maize Disease Detection [0.0]
AMaizeDは、ドローンから得られたマルチスペクトル画像を用いて、トウモロコシの作物の病気を早期に検出する自動化フレームワークである。
提案するフレームワークは,コンボリューションニューラルネットワーク(CNN)を特徴抽出器とセグメンテーション技術に組み合わせて,トウモロコシの植物とその関連疾患を同定する。
論文 参考訳(メタデータ) (2023-07-23T19:58:40Z) - SLA$^2$P: Self-supervised Anomaly Detection with Adversarial
Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。
本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文 参考訳(メタデータ) (2021-11-25T03:53:43Z)
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。