論文の概要: Deep Learning-Based Direct Leaf Area Estimation using Two RGBD Datasets for Model Development

• arxiv url: http://arxiv.org/abs/2503.10129v1
• Date: Thu, 13 Mar 2025 07:39:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:54:40.421964
• Title: Deep Learning-Based Direct Leaf Area Estimation using Two RGBD Datasets for Model Development
• Title（参考訳）: モデル開発のための2つのRGBDデータセットを用いたディープラーニングによる直接リーフ面積推定
• Authors: Namal Jayasuriya, Yi Guo, Wen Hu, Oula Ghannoum,
• Abstract要約: 単一葉面積の推定は作物の生育の指標であり,新品種を育むための表現型形質である。 本研究では,実世界のシナリオにおいて,モバイルカメラを用いたRGBD画像の深層学習に基づく葉面積推定について検討する。
• 参考スコア（独自算出の注目度）: 6.663132872468536
• License:
• Abstract: Estimation of a single leaf area can be a measure of crop growth and a phenotypic trait to breed new varieties. It has also been used to measure leaf area index and total leaf area. Some studies have used hand-held cameras, image processing 3D reconstruction and unsupervised learning-based methods to estimate the leaf area in plant images. Deep learning works well for object detection and segmentation tasks; however, direct area estimation of objects has not been explored. This work investigates deep learning-based leaf area estimation, for RGBD images taken using a mobile camera setup in real-world scenarios. A dataset for attached leaves captured with a top angle view and a dataset for detached single leaves were collected for model development and testing. First, image processing-based area estimation was tested on manually segmented leaves. Then a Mask R-CNN-based model was investigated, and modified to accept RGBD images and to estimate the leaf area. The detached-leaf data set was then mixed with the attached-leaf plant data set to estimate the single leaf area for plant images, and another network design with two backbones was proposed: one for segmentation and the other for area estimation. Instead of trying all possibilities or random values, an agile approach was used in hyperparameter tuning. The final model was cross-validated with 5-folds and tested with two unseen datasets: detached and attached leaves. The F1 score with 90% IoA for segmentation result on unseen detached-leaf data was 1.0, while R-squared of area estimation was 0.81. For unseen plant data segmentation, the F1 score with 90% IoA was 0.59, while the R-squared score was 0.57. The research suggests using attached leaves with ground truth area to improve the results.
• Abstract（参考訳）: 単一葉面積の推定は作物の成長の指標であり,新品種を育むための表現型形質である。 また、葉面積指数や総葉面積も測定している。 いくつかの研究では、植物画像の葉面積を推定するために、手持ちカメラ、画像処理3D再構成、教師なし学習に基づく手法を用いている。 深層学習は物体検出やセグメンテーションのタスクではうまく機能するが、物体の直接面積推定は行われていない。 本研究では,実世界のシナリオにおいて,モバイルカメラを用いたRGBD画像の深層学習に基づく葉面積推定について検討する。 モデル開発とテストのために,トップアングルビューで取得した付着葉用データセットと,分離した単葉用データセットを収集した。 まず,手作業で分割した葉に対して,画像処理に基づく面積推定を行った。 その後,Mask R-CNNモデルを調査し,RGBD画像を受け入れて葉面積を推定するように修正した。 その後, 植物画像の葉面積を推定するために, 付着葉植物データセットと混合し, 2つのバックボーンを持つネットワーク設計を提案し, セグメンテーションと面積推定のためのネットワーク設計を行った。 すべての可能性やランダムな値を試す代わりに、ハイパーパラメータチューニングではアジャイルアプローチが使用された。 最終モデルは5つ折りでクロスバリデーションされ、未確認の2つのデータセットでテストされた。 IoAが90%のF1スコアは, 未確認葉データに対するセグメンテーションの結果は1.0, 面積推定のR-2乗は0。 植物データセグメンテーションでは、90%のIoAのF1スコアは0.59であり、R2乗のスコアは0.57である。 この研究は、葉を接地真理領域で使用して結果を改善することを示唆している。

関連論文リスト

• LAESI: Leaf Area Estimation with Synthetic Imagery [13.145253458335464]
  LAESIは合成葉画像10万枚をミリ紙上に合成した合成葉データである。 このデータセットは、ブナとオークの葉を対象とした葉の形態解析のリソースを提供する。 葉の表面積予測とセマンティックセグメンテーションのための機械学習モデルを訓練することにより,データセットの適用性を評価する。
  論文  参考訳（メタデータ） (2024-03-31T07:56:07Z)
• Eff-3DPSeg: 3D organ-level plant shoot segmentation using annotation-efficient point clouds [1.5882586857953638]
  本稿では,3次元植物撮影セグメンテーションのための弱教師付きフレームワーク Eff-3DPSeg を提案する。 大豆の高分解能点雲を低コストのフォトグラムシステムを用いて再構成した。 植物器官セグメンテーションのための弱教師付き深層学習法が提案された。
  論文  参考訳（メタデータ） (2022-12-20T14:09:37Z)
• Transferring learned patterns from ground-based field imagery to predict UAV-based imagery for crop and weed semantic segmentation in precision crop farming [3.95486899327898]
  雑草の区分けのために,UAVのフィールド画像と空中画像の両方を予測できる深層畳み込みネットワークを開発した。 ネットワーク学習プロセスは、浅い層と深い層のフィーチャーマップによって視覚化される。 この研究は、深層畳み込みニューラルネットワークが、フィールド画像と空中画像の両方から雑草を分類するために使用できることを示した。
  論文  参考訳（メタデータ） (2022-10-20T19:25:06Z)
• 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)
• CroCo: Cross-Modal Contrastive learning for localization of Earth Observation data [62.96337162094726]
  地上のLiDAR点雲をリモートセンシング画像上にローカライズすることに興味がある。 本稿では,DEMと高分解能光学画像に基づいて学習を行うコントラスト学習手法を提案する。 ベストシナリオは、トップ1スコア0.71、トップ5スコア0.81を得る。
  論文  参考訳（メタデータ） (2022-04-14T15:55:00Z)
• GrowliFlower: An image time series dataset for GROWth analysis of cauLIFLOWER [2.8247971782279615]
  この記事では、2020年と2021年に取得した0.39と0.60haの2つの監視されたカリフラワーフィールドのイメージベースUAV時系列データセットであるGrowliFlowerについて述べる。 このデータセットは、約14,000個の植物座標が導出され提供されるRGBおよび多スペクトル正光を含む。 このデータセットは、発生段階、植物、カリフラワーサイズを含む740種の植物の表現型形質を収集する。
  論文  参考訳（メタデータ） (2022-04-01T08:56:59Z)
• 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 Deep Learning Approach Based on Graphs to Detect Plantation Lines [16.76043873454695]
  本稿では,UAVを用いたRGB画像における植林線検出のためのグラフに基づく深層学習手法を提案する。 提案手法は最先端のディープラーニング手法と比較した。 精度、リコール、F1スコアはそれぞれ98.7%、91.9%、95.1%だった。
  論文  参考訳（メタデータ） (2021-02-05T14:56:42Z)
• 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)
• A New Mask R-CNN Based Method for Improved Landslide Detection [54.7905160534631]
  本稿では,Mask R-CNN機能を利用した地すべり検出手法を提案する。 地すべり及び非地すべり画像を含む160個の要素からなるデータセットを作成する。 提案アルゴリズムは丘陵地帯の土地利用計画立案者や政策立案者にとって潜在的に有用である。
  論文  参考訳（メタデータ） (2020-10-04T07:46:37Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。