論文の概要: Cherry Yield Forecast: Harvest Prediction for Individual Sweet Cherry Trees
- arxiv url: http://arxiv.org/abs/2503.20419v1
- Date: Wed, 26 Mar 2025 10:50:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-27 19:18:47.142299
- Title: Cherry Yield Forecast: Harvest Prediction for Individual Sweet Cherry Trees
- Title（参考訳）: 桜の収量予測:個々の甘い桜の収穫予測
- Authors: Andreas Gilson, Peter Pietrzyk, Chiara Paglia, Annika Killer, Fabian Keil, Lukas Meyer, Dominikus Kittemann, Patrick Noack, Oliver Scholz,
- Abstract要約: 本論文は,サツマイモのデジタル双生児を育成することを目的とした,For5Gプロジェクトの出版シリーズの一部である。
対象物が手動で数えられる場合, サツマイモの収量予測が可能であるとともに, 同様の精度で自動的特徴抽出が未解決の課題であることが結論された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper is part of a publication series from the For5G project that has the goal of creating digital twins of sweet cherry trees. At the beginning a brief overview of the revious work in this project is provided. Afterwards the focus shifts to a crucial problem in the fruit farming domain: the difficulty of making reliable yield predictions early in the season. Following three Satin sweet cherry trees along the year 2023 enabled the collection of accurate ground truth data about the development of cherries from dormancy until harvest. The methodology used to collect this data is presented, along with its valuation and visualization. The predictive power of counting objects at all relevant vegetative stages of the fruit development cycle in cherry trees with regards to yield predictions is investigated. It is found that all investigated fruit states are suitable for yield predictions based on linear regression. Conceptionally, there is a trade-off between earliness and external events with the potential to invalidate the prediction. Considering this, two optimal timepoints are suggested that are opening cluster stage before the start of the flowering and the early fruit stage right after the second fruit drop. However, both timepoints are challenging to solve with automated procedures based on image data. Counting developing cherries based on images is exceptionally difficult due to the small fruit size and their tendency to be occluded by leaves. It was not possible to obtain satisfying results relying on a state-of-the-art fruit-counting method. Counting the elements within a bursting bud is also challenging, even when using high resolution cameras. It is concluded that accurate yield prediction for sweet cherry trees is possible when objects are manually counted and that automated features extraction with similar accuracy remains an open problem yet to be solved.
- Abstract（参考訳）: 本論文は,サツマイモのデジタル双生児を育成することを目的とした,For5Gプロジェクトの出版シリーズの一部である。
はじめに、このプロジェクトにおける残酷な作業の概要を簡潔に紹介する。
その後、果実栽培領域における重要な問題に焦点が移り、季節の早い時期に信頼できる収量予測を行うのが困難になる。
2023年、サタン・サクラの木3本に続いて、休眠から収穫までチェリーの発達に関する正確な真実データを収集できるようになった。
このデータ収集に使用される方法論と,その評価と視覚化について紹介する。
収量予測に関して,サクラの果実発生サイクルのすべての関連植生段階において,対象物を数えることの予測力について検討した。
その結果,すべての果実状態が線形回帰に基づく収量予測に適していることが判明した。
概念的には、耳線と外部イベントの間にトレードオフがあり、予測を無効にする可能性がある。
このことから, 開花開始直前の開花期と開花直後の開花期と, 開花直後の開花期という2つの最適な時間点が示唆された。
しかし,画像データに基づく自動処理では,いずれのタイムポイントも解決が困難である。
果実の大きさが小さかったり、葉に閉ざされたりする傾向があるため、画像に基づいて成長するチェリーを数えることは極めて困難である。
最先端のフルーツカウント法により満足な結果を得ることは不可能であった。
高解像度のカメラを使っても、破裂する芽の中の元素を数えることは難しい。
対象物が手動で数えられる場合, サツマイモの収量予測が可能であるとともに, 同様の精度で自動的特徴抽出が未解決の課題であることが結論された。
関連論文リスト
- Optimizing Resource Consumption in Diffusion Models through Hallucination Early Detection [87.22082662250999]
拡散過程の開始時に不正確な世代を迅速に検出する新しいパラダイムであるHEaD(Hallucination Early Detection)を導入する。
HEaDは計算資源を節約し,生成過程を高速化して完全な画像を得ることを示す。
その結果,HEaDは2つのオブジェクトのシナリオで生成時間の最大12%を節約できることがわかった。
論文 参考訳（メタデータ） (2024-09-16T18:00:00Z) - CF-PRNet: Coarse-to-Fine Prototype Refining Network for Point Cloud Completion and Reconstruction [38.2432367693335]
本稿では,果実の正確な3次元形状を部分的視点から再構築する上での課題について述べる。
本稿では,粗大なプロトタイプ精錬ネットワークCF-PRNetを紹介する。
CF-PRNetは、チャンファー距離3.78、F1スコア66.76%、精度56.56%、リコール85.31%で優れたパフォーマンス指標を示す。
論文 参考訳（メタデータ） (2024-09-13T00:20:10Z) - A pipeline for multiple orange detection and tracking with 3-D fruit
relocalization and neural-net based yield regression in commercial citrus
orchards [0.0]
本稿では,パイプラインとして実装されたビデオの果実数を利用した非侵襲的な代替手段を提案する。
そこで本研究では, 果実位置の3次元推定を利用した再局在化成分を導入する。
果実の少なくとも30%を正確に検出・追跡・数えることにより, 収率回帰器の精度は0.85である。
論文 参考訳（メタデータ） (2023-12-27T21:22:43Z) - Vision-Based Cranberry Crop Ripening Assessment [1.8434042562191815]
この研究は、コンピュータビジョンを用いた熟成の定量的評価において、最初のものである。
ワインのブドウ、オリーブ、ブルーベリー、トウモロコシなどクランベリー以外の作物にも影響がある。
論文 参考訳（メタデータ） (2023-08-31T14:58:11Z) - Panoptic Mapping with Fruit Completion and Pose Estimation for
Horticultural Robots [33.21287030243106]
植物や果実を高解像度でモニタリングすることは、農業の未来において重要な役割を担っている。
正確な3D情報は、自律収穫から正確な収量推定まで、農業における多様なロボット応用への道を開くことができる。
移動ロボットによって構築された3次元多次元マップにおいて,果実の完全な3次元形状とそのポーズを共同で推定する問題に対処する。
論文 参考訳（メタデータ） (2023-03-15T20:41:24Z) - 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) - Yield Evaluation of Citrus Fruits based on the YoloV5 compressed by
Knowledge Distillation [5.585209836203215]
果樹栽培の分野では,果実の貯蔵・価格評価において,収穫前収穫量の算定が重要である。
そこで本研究では,キツネ属の果樹に対して,コンピュータビジョンに基づく実数と収量評価法を提案する。
実験により, 提案手法は果実を正確に数え, 収率を近似できることがわかった。
論文 参考訳（メタデータ） (2022-11-16T08:09:38Z) - Apple Counting using Convolutional Neural Networks [22.504279159923765]
果樹園のような現実の環境でのイメージから、正確で信頼性の高い果実や野菜の数を推定することは、難しい問題である。
コンボリューショナルニューラルネットワークを訓練することにより,画像から果実を数えることを多クラス分類問題として定式化し,その問題を解決する。
当社のネットワークは、最大94%の精度で、4つのデータセットのうち3つでパフォーマンスを向上しています。
論文 参考訳（メタデータ） (2022-08-24T14:13:40Z) - 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) - A procedure for automated tree pruning suggestion using LiDAR scans of
fruit trees [0.0]
果樹栽培において、刈り込みは過密化を防ぎ、光への天蓋のアクセスを改善し、再成長を促進するための重要な管理手法である。
本稿では,LiDARをスキャンした市販果樹の採種戦略を採点関数を用いて提案する枠組みを提案する。
光の分布は25.15%向上し、実木での商業的な刈り取りよりも16%向上した。
論文 参考訳（メタデータ） (2021-02-07T02:18:56Z) - One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。
2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
論文 参考訳（メタデータ） (2020-12-14T10:44:22Z)
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。