論文の概要: An Overall Real-Time Mechanism for Classification and Quality Evaluation of Rice

• arxiv url: http://arxiv.org/abs/2502.13764v1
• Date: Wed, 19 Feb 2025 14:24:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-20 14:01:18.691256
• Title: An Overall Real-Time Mechanism for Classification and Quality Evaluation of Rice
• Title（参考訳）: 米の分類と品質評価のための総合的リアルタイムメカニズム
• Authors: Wanke Xia, Ruxin Peng, Haoqi Chu, Xinlei Zhu, Zhiyu Yang, Yaojun Wang,
• Abstract要約: 本研究は, 包括的米粒評価のためのリアルタイム評価機構を提案する。 1段階のオブジェクト検出アプローチ、深層畳み込みニューラルネットワーク、従来の機械学習技術を統合する。 提案手法により,イネ品種の同定,粒度評価,粒度評価が可能となった。
• 参考スコア（独自算出の注目度）: 1.7034902216513157
• License:
• Abstract: Rice is one of the most widely cultivated crops globally and has been developed into numerous varieties. The quality of rice during cultivation is primarily determined by its cultivar and characteristics. Traditionally, rice classification and quality assessment rely on manual visual inspection, a process that is both time-consuming and prone to errors. However, with advancements in machine vision technology, automating rice classification and quality evaluation based on its cultivar and characteristics has become increasingly feasible, enhancing both accuracy and efficiency. This study proposes a real-time evaluation mechanism for comprehensive rice grain assessment, integrating a one-stage object detection approach, a deep convolutional neural network, and traditional machine learning techniques. The proposed framework enables rice variety identification, grain completeness grading, and grain chalkiness evaluation. The rice grain dataset used in this study comprises approximately 20,000 images from six widely cultivated rice varieties in China. Experimental results demonstrate that the proposed mechanism achieves a mean average precision (mAP) of 99.14% in the object detection task and an accuracy of 97.89% in the classification task. Furthermore, the framework attains an average accuracy of 97.56% in grain completeness grading within the same rice variety, contributing to an effective quality evaluation system.
• Abstract（参考訳）: 米は世界中で最も広く栽培されている作物の1つであり、多くの品種に発展してきた。 栽培中の米の質は、主に品種や特性によって決定される。 伝統的に、米の分類と品質評価は手動による視覚検査に依存している。 しかし、機械ビジョン技術の進歩に伴い、米の分類と品質評価をその品種と特性に基づいて自動化し、精度と効率の両立が図られている。 本研究では,一段階の物体検出手法,深層畳み込みニューラルネットワーク,従来の機械学習技術を統合することで,米粒度評価のリアルタイム評価機構を提案する。 提案手法により,イネ品種の同定,粒度評価,粒度評価が可能となった。 本研究で用いた米粒のデータセットは,中国産6品種の約2万枚からなる。 実験結果から,対象検出タスクの平均平均精度(mAP)は99.14%,分類タスクの平均精度は97.89%であった。 さらに、同品種における粒度評価において平均97.56%の精度を達成し、有効品質評価システムに寄与する。

関連論文リスト

• AI-Generated Image Quality Assessment Based on Task-Specific Prompt and Multi-Granularity Similarity [62.00987205438436]
  本稿では,TSP-MGSというAIGIの品質評価手法を提案する。 タスク固有のプロンプトを設計し、AIGIとプロンプトの多粒度類似度を測定する。 一般的に使用されるAGIQA-1KとAGIQA-3Kベンチマークの実験は、提案されたTSP-MGSの優位性を示している。
  論文  参考訳（メタデータ） (2024-11-25T04:47:53Z)
• Artificial Immune System of Secure Face Recognition Against Adversarial Attacks [67.31542713498627]
  昆虫生産には 最大限の可能性を実現するために 最適化が必要です これは選択的育種による興味のある形質の改善が目的である。 このレビューは、様々な分野の知識と、動物の繁殖、定量的遺伝学、進化生物学、昆虫学のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-06-26T07:50:58Z)
• A novel method for identifying rice seed purity based on hybrid machine learning algorithms [0.0]
  穀物産業では、種子の品質を評価する上で重要な要素として、種子の純度の同定が重要である。 本研究では,ハイブリッド機械学習アルゴリズムを用いて,特定の品種のイネ種子の純度を自動的に同定する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-09T17:13:25Z)
• Feasibility of machine learning-based rice yield prediction in India at the district level using climate reanalysis data [0.0]
  本研究の目的は,インドにおいて,機械学習による収穫予測モデルがハリフの季節米収量の予測に有効であるかどうかを検討することである。 この手法は、20年間の気候、衛星、米の収量に関する19の機械学習モデルを、インドの米生産地区247地域にわたって訓練することを含む。 その結果, 収量予測の精度は, サンプル外R2, MAE, MAPEそれぞれ0.82, 0.29, 0.16であった。
  論文  参考訳（メタデータ） (2024-03-12T13:31:13Z)
• A Saliency-based Clustering Framework for Identifying Aberrant Predictions [49.1574468325115]
  本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。 本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。 本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
  論文  参考訳（メタデータ） (2023-11-11T01:53:59Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• Fruit Ripeness Classification: a Survey [59.11160990637616]
  食品を格付けするための特徴記述子を多用する多くの自動的手法が提案されている。 機械学習とディープラーニング技術がトップパフォーマンスの手法を支配している。 ディープラーニングは生のデータで操作できるため、複雑なエンジニアリング機能を計算する必要がなくなる。
  論文  参考訳（メタデータ） (2022-12-29T19:32:20Z)
• Vision-Based Defect Classification and Weight Estimation of Rice Kernels [12.747541089354538]
  そこで本研究では,イネカーネルの視覚的品質自動推定システムについて,その欠陥の種類に応じて分類し,視点型カーネルの重量比による品質評価を行う。 画像中の各カーネルの相対重量をその面積から測定する新しい指標を定義し,すべてのサンプルに対する各カーネルの相対重量を計算し,米の品質評価の基盤として利用できるようにした。
  論文  参考訳（メタデータ） (2022-10-06T03:58:05Z)
• Automatic Detection of Rice Disease in Images of Various Leaf Sizes [0.5284812806199193]
  そこで我々は,米田写真画像から米病を検出するコンピュータビジョン技術を用いて,その解決策に焦点をあてた。 そこで本研究では,CNNオブジェクト検出と画像タイリングを組み合わせた手法を提案する。 本手法は, 発芽, 発芽, 褐色斑点, 褐色斑点, オレンジ, 赤色ストライプ, 草草性スタントウイルス, ストリーク病など8種類のイネ葉病の4,960枚の画像から評価した。
  論文  参考訳（メタデータ） (2022-06-15T07:56:41Z)
• A System for Automatic Rice Disease Detection from Rice Paddy Images Serviced via a Chatbot [0.0]
  実際の水田画像からイネの病気を診断するLINEボットシステムを開発し,本論文で紹介した。 対象画像は, 特別な試料準備をせずに, 実際の水田環境から撮影した。 画像からイネ病を検出するために深層学習ニューラルネットワークを用いた。
  論文  参考訳（メタデータ） (2020-11-21T16:45:02Z)
• Pollen13K: A Large Scale Microscope Pollen Grain Image Dataset [63.05335933454068]
  この研究は、1万3千以上の天体を含む最初の大規模花粉画像データセットを提示する。 本稿では, エアロバイオロジカルサンプリング, 顕微鏡画像取得, 物体検出, セグメンテーション, ラベル付けなど, 採用データ取得のステップに注目した。
  論文  参考訳（メタデータ） (2020-07-09T10:33:31Z)

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。