論文の概要: Dynamic Estimation of Tea Flowering Based on an Improved YOLOv5 and ANN Model

• arxiv url: http://arxiv.org/abs/2501.15262v1
• Date: Sat, 25 Jan 2025 16:11:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:54:55.005162
• Title: Dynamic Estimation of Tea Flowering Based on an Improved YOLOv5 and ANN Model
• Title（参考訳）: 改良型YOLOv5とANNモデルに基づく茶の開花の動的推定
• Authors: Qianxi Mi, Pengcheng Yuan, Chunlei Ma, Jiedan Chen, Mingzhe Yao,
• Abstract要約: 茶の花は、茶工場の分類学研究とハイブリッド育種において重要な役割を担っている。 伝統的な茶の花の特徴の観察法は、労働集約的で不正確であるため、茶の花の定量化に有効な枠組みを提案する。 TflosYOLOモデルはYOLOv5アーキテクチャ上に構築され、Squeeze-and-Excitation (SE)ネットワークで拡張された。 TflosYOLOモデルは0.874のmAP50を達成し、YOLOv5、YOLOv7、YOLOv8を上回った。
• 参考スコア（独自算出の注目度）: 1.2233362977312945
• License:
• Abstract: Tea flowers play a crucial role in taxonomic research and hybrid breeding for the tea plant. Tea flowering consumes the plant's nutrients, and flower thinning can regulate carbon-nitrogen metabolism, enhancing the yield and quality of young shoots. As traditional methods of observing tea flower traits are labor-intensive and inaccurate, we propose an effective framework for tea flowering quantifying. In this study, a highly representative and diverse dataset was constructed by collecting flower images from 29 tea accessions. Based on this dataset, the TflosYOLO model was built on the YOLOv5 architecture and enhanced with the Squeeze-and-Excitation (SE) network, which is the first model to offer a viable solution for detecting tea flowers and predicting flower quantities. The TflosYOLO model achieved an mAP50 of 0.874, outperforming YOLOv5, YOLOv7 and YOLOv8. Furthermore, this model was tested on 34 datasets encompassing 26 tea accessions, five flowering stages, various lighting conditions, and pruned/unpruned plants, demonstrating high generalization and robustness. The correlation coefficient ($ R^2 $) between the predicted and actual flower counts was 0.974. Additionally, the TFSC (Tea Flowering Stage Classification) model - a novel Artificial Neural Network (ANN) was designed for automatic classification of the flowering stages. TFSC achieved an accuracy of 0.899. Dynamic analysis of flowering across 29 tea accessions in 2023 and 2024 was conducted, revealed significant variability in flower quantity and dynamics, with genetically similar accessions showing more consistent flowering patterns. This framework provides a solution for quantifying tea flowering, and can serve as a reference for precision horticulture.
• Abstract（参考訳）: 茶の花は、茶工場の分類学研究とハイブリッド育種において重要な役割を担っている。 茶の花は植物の栄養素を消費し、花の薄切りは炭素-窒素代謝を調節し、若芽の収量と品質を高める。 伝統的な茶の花の特徴の観察法は、労働集約的で不正確であるため、茶の花の定量化に有効な枠組みを提案する。 本研究では,29点の茶の接点から花像を収集し,非常に代表的で多様なデータセットを構築した。 このデータセットに基づいて、TflosYOLOモデルはYOLOv5アーキテクチャに基づいて構築され、茶花の検出と花量の予測に有効なソリューションを提供する最初のモデルであるSqueeze-and-Excitation (SE)ネットワークで強化された。 TflosYOLOモデルは0.874のmAP50を達成し、YOLOv5、YOLOv7、YOLOv8を上回った。 さらに,26点の茶の接種,5点の開花期,各種照明条件,開花・開花植物を含む34点のデータセットを用いて,高い一般化と堅牢性を示した。 予測花数と実花数との相関係数(R^2$)は0.974。 さらに, 開花段階の自動分類のための新しいニューラルネットワーク (ANN) であるTFSC (Tea Flowering Stage Classification) モデルも設計された。 TFSCは0.899の精度を達成した。 2023年と2024年に29点の茶の接ぎ花を動的に解析したところ、花の量や動態に有意な変動が見られ、遺伝的に類似した接ぎ花はより一貫した開花パターンを示した。 茶の開花定量化のソリューションを提供し、精密園芸の参考となる。

関連論文リスト

• SCott: Accelerating Diffusion Models with Stochastic Consistency Distillation [54.31974179325654]
  本稿では,テキスト・画像の高速生成を実現するために,SCott(Consistency Distillation)を提案する。 SCottは、事前訓練された教師モデルの通常の微分方程式解法に基づくサンプリングプロセスを学生に蒸留する。 MSCOCO-2017 5Kデータセットと安定拡散V1.5の教師は、SCottが22.1のFID(Frechet Inceptio Distance)を達成し、1ステップのInstaFlowの23.4を上回り、4ステップのUFOGenと一致する。
  論文  参考訳（メタデータ） (2024-03-03T13:08:32Z)
• Feedback Efficient Online Fine-Tuning of Diffusion Models [52.170384048274364]
  提案手法は, 実現可能なサンプルの多様体上で効率的に探索できる新しい強化学習手法である。 本稿では,3つの領域にまたがる実証的検証とともに,後悔の保証を提供する理論的解析を提案する。
  論文  参考訳（メタデータ） (2024-02-26T07:24:32Z)
• DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
  既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。 腕と足場を分解した新しい拡散モデルDecompDiffを提案する。 提案手法は,高親和性分子の生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:21:21Z)
• Florence-2: Advancing a Unified Representation for a Variety of Vision Tasks [94.49801814314435]
  本稿では,様々なコンピュータビジョンと視覚言語タスクを対象とした,統一的,即時的な表現を備えた新しい視覚基盤モデルであるFlorence-2を紹介する。 われわれはFLD-5Bを共同開発し、1億2600万枚の画像に540億個の包括的な視覚アノテーションを付加した。 我々は,フローレンス2を訓練し,汎用的で総合的な視覚タスクを実行するためにシーケンス・ツー・シーケンス構造を採用した。
  論文  参考訳（メタデータ） (2023-11-10T18:59:08Z)
• Multi-growth stage plant recognition: a case study of Palmer amaranth (Amaranthus palmeri) in cotton (Gossypium hirsutum) [0.3441021278275805]
  綿花中のAmaranthus palmeriの8クラス成長段階の認識について検討した。 YOLO v3、v5、v6、v6 3.0、v7、v8から26の異なるアーキテクチャのバリエーションを比較します。 すべての成長段階のクラスを認識できるmAP@[0.5:0.95]は、v8-Xで47.34%であった。
  論文  参考訳（メタデータ） (2023-07-28T21:14:43Z)
• Machine Vision System for Early-stage Apple Flowers and Flower Clusters Detection for Precision Thinning and Pollination [0.6299766708197884]
  YOLOv5オブジェクト検出アルゴリズムを用いて,未構造化果樹園環境の早期花の検出を行う視覚システムを提案する。 開花・開花検出の精度は、商業用果樹園画像の81.9%のmAPまで達成される。
  論文  参考訳（メタデータ） (2023-04-19T00:16:42Z)
• Local Rose Breeds Detection System Using Transfer Learning Techniques [0.0]
  移譲学習法によるバラの育種検出は、一般公開されている特定の花の育種検出に関する最初の研究である。 バングラデシュのすべての地方花の中で、バラは最も人気があり、需要の多かった花の一つである。
  論文  参考訳（メタデータ） (2023-04-07T07:02:25Z)
• Consistent Training via Energy-Based GFlowNets for Modeling Discrete Joint Distributions [79.47120571256026]
  Generative Flow Networks (GFlowNets)は、様々なオブジェクトを$x$に、報酬関数$R(x)$を付与することで、大幅なパフォーマンス向上を実現している。 我々は、GFlowNetsと共同でエネルギーベースモデルを学習し、それを拡張して複数の変数のジョイントを学習する、という最近の研究の上に構築する。 このジョイントトレーニングやジョイントエナジーに基づく定式化は、抗微生物ペプチドの生成に大きな改善をもたらすことが判明した。
  論文  参考訳（メタデータ） (2022-11-01T16:25:14Z)
• Tea Chrysanthemum Detection under Unstructured Environments Using the TC-YOLO Model [0.0]
  茶菊検出(TC-YOLO)のためのYOLOに基づく高度に融合した軽量なディープラーニングアーキテクチャを提案する。 この方法は、Cross-Stage partially Dense Network (DenseNet) をメインネットワークとして使用し、勾配の流れをガイドするためにカスタム機能融合モジュールを埋め込む。 茶菊データセットの平均精度(AP)は92.49%である。
  論文  参考訳（メタデータ） (2021-11-04T10:12:57Z)
• Performance Evaluation of Deep Transfer Learning on Multiclass Identification of Common Weed Species in Cotton Production Systems [3.427330019009861]
  本稿では,アメリカ南部の綿花生産システムに特有の雑草を同定するために,DTL(Deep Transfer Learning)を総合的に評価する。 自然光条件および雑草生育段階の異なる15種類の雑草群5187色画像からなる雑草識別用データセットを作成した。 DTLはF1スコアの高い分類精度を95%以上達成し、モデル間でのトレーニング時間(2.5時間未満)を合理的に短縮する必要があった。
  論文  参考訳（メタデータ） (2021-10-11T01:51:48Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。