論文の概要: FloPE: Flower Pose Estimation for Precision Pollination
- arxiv url: http://arxiv.org/abs/2503.11692v1
- Date: Sat, 08 Mar 2025 20:24:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-23 06:38:21.599831
- Title: FloPE: Flower Pose Estimation for Precision Pollination
- Title（参考訳）: FloPE:精密散布のためのフラワーポーズ推定
- Authors: Rashik Shrestha, Madhav Rijal, Trevor Smith, Yu Gu,
- Abstract要約: FloPEは、計算に制約のあるロボット受粉システムのためのリアルタイムフラワーポーズ推定フレームワークである。
実験では, 最大78.75%の受粉率でFloPEの有効性を検証した。
- 参考スコア（独自算出の注目度）: 2.5773951106969633
- License:
- Abstract: This study presents Flower Pose Estimation (FloPE), a real-time flower pose estimation framework for computationally constrained robotic pollination systems. Robotic pollination has been proposed to supplement natural pollination to ensure global food security due to the decreased population of natural pollinators. However, flower pose estimation for pollination is challenging due to natural variability, flower clusters, and high accuracy demands due to the flowers' fragility when pollinating. This method leverages 3D Gaussian Splatting to generate photorealistic synthetic datasets with precise pose annotations, enabling effective knowledge distillation from a high-capacity teacher model to a lightweight student model for efficient inference. The approach was evaluated on both single and multi-arm robotic platforms, achieving a mean pose estimation error of 0.6 cm and 19.14 degrees within a low computational cost. Our experiments validate the effectiveness of FloPE, achieving up to 78.75% pollination success rate and outperforming prior robotic pollination techniques.
- Abstract（参考訳）: 本研究では,ロボット受粉システムを対象としたリアルタイムフラワーポーズ推定フレームワークであるフラワーポーズ推定(FloPE)を提案する。
ロボットによる受粉は、自然受粉者の人口減少による世界的な食料安全保障を確保するため、自然受粉を補うために提案されている。
しかし, 受粉時の花の難易度から, 自然変動性, 花団群, 高精度要求により, 受粉時の花のポーズ推定は困難である。
本手法は,3次元ガウススプラッティングを用いて,高精度なポーズアノテーションを用いたフォトリアリスティック合成データセットを生成することにより,高容量教師モデルから軽量学生モデルへの効果的な知識蒸留を可能にし,効率的な推論を行う。
この手法はシングルアームとマルチアームのロボットプラットフォームで評価され、計算コストの低い0.6cmと19.14°の平均ポーズ推定誤差を達成した。
FloPEの有効性を検証し, 最大78.75%の受粉率を実現し, 従来の受粉技術より優れていた。
関連論文リスト
- A Smartphone-Based Method for Assessing Tomato Nutrient Status through Trichome Density Measurement [0.0]
本研究は,若葉におけるトリホーム密度を,検出遅延の優れたスマートフォンを用いた定量化手法を提案する。
堅牢な自動パイプラインは、領域抽出、視点変換、照明補正を通じてこれらの画像を処理し、トリプルホーム密度を正確に定量化する。
この革新的なアプローチは、スマートフォンを植物栄養評価のための正確な診断ツールに変え、精度の高い農業のための実用的で費用対効果の高いソリューションを提供する。
論文 参考訳（メタデータ） (2024-04-30T12:45:41Z) - Sparse Attention Regression Network Based Soil Fertility Prediction With Ummaso [0.0]
主な目的は、不均一なデータ分布の影響を克服し、土壌肥育モデルの予測精度を改善することである。
導入されたモデルはスパースアテンションレグレッションを使用しており、不均衡なデータセットから関連する機能を効果的に取り入れている。
提案モデルでは,優れた性能指標が得られ,予測精度は98%に達した。
論文 参考訳（メタデータ） (2024-04-16T04:17:17Z) - Exploring Accurate 3D Phenotyping in Greenhouse through Neural Radiance Fields [6.283117378688054]
コントロールされた実験室環境における伝統的な表現型付けは、価値はあるものの、実際の環境下での植物の成長を理解するには不十分である。
本研究では, 温室環境下でのトウガラシの個体内表現の精度を高めるために, ニューラル放射場を用いた学習に基づく表現法について検討した。
論文 参考訳（メタデータ） (2024-03-24T02:15:14Z) - PlantPlotGAN: A Physics-Informed Generative Adversarial Network for
Plant Disease Prediction [2.7409168462107347]
リアルな植生指標を持つ合成多スペクトルプロット画像を作成することができる物理インフォームド・ジェネレーティブ・モデルであるPlanetPlotGANを提案する。
その結果, PlantPlotGANから生成された合成画像はFr'echet開始距離に関して最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-10-27T16:56:28Z) - MetaRF: Differentiable Random Forest for Reaction Yield Prediction with
a Few Trails [58.47364143304643]
本稿では,反応収率予測問題に焦点をあてる。
筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。
数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
論文 参考訳（メタデータ） (2022-08-22T06:40:13Z) - 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) - (Certified!!) Adversarial Robustness for Free! [116.6052628829344]
逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。
これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
論文 参考訳（メタデータ） (2022-06-21T17:27:27Z) - 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) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳（メタデータ） (2021-02-02T09:34:34Z) - 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。