論文の概要: Unsupervised Tomato Split Anomaly Detection using Hyperspectral Imaging and Variational Autoencoders

• arxiv url: http://arxiv.org/abs/2501.02921v1
• Date: Mon, 06 Jan 2025 11:02:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:08:53.372484
• Title: Unsupervised Tomato Split Anomaly Detection using Hyperspectral Imaging and Variational Autoencoders
• Title（参考訳）: ハイパースペクトルイメージングと変分オートエンコーダを用いた非教師付きトマトスプリット異常検出
• Authors: Mahmoud Abdulsalam, Usman Zahidi, Bradley Hurst, Simon Pearson, Grzegorz Cielniak, James Brown,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.2502683871549305
• License:
• Abstract: Tomato anomalies/damages pose a significant challenge in greenhouse farming. While this method of cultivation benefits from efficient resource utilization, anomalies can significantly degrade the quality of farm produce. A common anomaly associated with tomatoes is splitting, characterized by the development of cracks on the tomato skin, which degrades its quality. Detecting this type of anomaly is challenging due to dynamic variations in appearance and sizes, compounded by dataset scarcity. We address this problem in an unsupervised manner by utilizing a tailored variational autoencoder (VAE) with hyperspectral input. Preliminary analysis of the dataset enabled us to select the optimal range of wavelengths for detecting this anomaly. Our findings indicate that the 530nm - 550nm range is suitable for identifying tomato dry splits. The analysis on reconstruction loss allow us to not only detect the anomalies but also to some degree estimate the anomalous regions.
• Abstract（参考訳）: トマトの異常・被害は温室農業において大きな課題となる。 この方法が効率的な資源利用から恩恵を受ける一方で、異常は農産物の品質を著しく低下させる可能性がある。 トマトに付随する一般的な異常は、その品質を低下させるトマト皮膚のひび割れの発生を特徴とする分裂である。 このタイプの異常を検出することは、データセットの不足によって合成される外観やサイズが動的に変化するため、難しい。 我々は、高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)を用いて、教師なしの方法でこの問題に対処する。 データセットの予備解析により、この異常を検出するための最適な波長範囲を選択できる。 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。 再構成損失の解析により,異常を検出するだけでなく,異常領域をある程度推定することが可能になる。

関連論文リスト

• Synthetic Data Generation for Anomaly Detection on Table Grapes [2.935752166220662]
  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。
  論文  参考訳（メタデータ） (2024-12-17T14:29:12Z)
• AnomalyCD: A benchmark for Earth anomaly change detection with high-resolution and time-series observations [12.35831157851407]
  AnomalyCD技術は、過去の正常な変化パターンから学習することで、異常な変化を特定することを学ぶ。 AnomalyCDMは効率を高めるための2段階のワークフローとして設計されており、見えない画像を直接処理することができる。
  論文  参考訳（メタデータ） (2024-09-09T14:47:57Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• 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)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• MadSGM: Multivariate Anomaly Detection with Score-based Generative Models [22.296610226476542]
  スコアベース生成モデルに基づく時系列異常検出器MadSGMを提案する。 5つの実世界のベンチマークデータセットの実験は、MadSGMが最も堅牢で正確な予測を達成していることを示している。
  論文  参考訳（メタデータ） (2023-08-29T07:04:50Z)
• Diversity-Measurable Anomaly Detection [106.07413438216416]
  本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
  論文  参考訳（メタデータ） (2023-03-09T05:52:42Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Hyperspectral Anomaly Change Detection Based on Auto-encoder [40.32592332449066]
  ハイパースペクトル異常変化検出(HACD)は、ハイパースペクトル画像(HSI)間の小さいが重要な異常変化を見つけるのに役立つ 本稿では,自動エンコーダ(ACDA)に基づく独自のHACDアルゴリズムを提案し,非線形解を提案する。 実験の結果は、"Viareggio 2013"データセットで、従来の手法よりも効率と優越性を実証している。
  論文  参考訳（メタデータ） (2020-10-27T08:07:08Z)

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。