論文の概要: Orange Quality Grading with Deep Learning
- arxiv url: http://arxiv.org/abs/2503.21250v1
- Date: Thu, 27 Mar 2025 08:14:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:52:39.478428
- Title: Orange Quality Grading with Deep Learning
- Title(参考訳): 深層学習によるオレンジ質のグラディング
- Authors: Mohamed Lamine Mekhalfi, Paul Chippendale, Francisco Fraile, Marcos Rico,
- Abstract要約: マシンビジョンによるオレンジグレーディングのためのディープラーニングベースのソリューションを実装した。
単一ビューから果実を解析する一般的なグレーディングシステムとは異なり、よりリッチな表現を可能にするために、各オレンジのマルチビュー画像をキャプチャする。
合成画像上に畳み込みニューラルネットワーク(CNN)をトレーニングし、オレンジを3つのクラスに分類する。
- 参考スコア(独自算出の注目度): 0.3124884279860061
- License:
- Abstract: Orange grading is a crucial step in the fruit industry, as it helps to sort oranges according to different criteria such as size, quality, ripeness, and health condition, ensuring safety for human consumption and better price allocation and client satisfaction. Automated grading enables faster processing, precision, and reduced human labor. In this paper, we implement a deep learning-based solution for orange grading via machine vision. Unlike typical grading systems that analyze fruits from a single view, we capture multiview images of each single orange in order to enable a richer representation. Afterwards, we compose the acquired images into one collage. This enables the analysis of the whole orange skin. We train a convolutional neural network (CNN) on the composed images to grade the oranges into three classes, namely good, bad, and undefined. We also evaluate the performance with two different CNNs (ResNet-18 and SqueezeNet). We show experimentally that multi-view grading is superior to single view grading.
- Abstract(参考訳): オレンジグレーディングは、サイズ、品質、熟度、健康状態などの異なる基準に従ってオレンジを選別し、人間の消費の安全を確保し、価格配分と顧客満足度を向上させるため、果物産業において重要なステップである。
自動グレーティングは、より高速な処理、精度、人的労働力の削減を可能にする。
本稿では,機械ビジョンによるオレンジグレーディングのための深層学習型ソリューションを提案する。
単一ビューから果実を分析する一般的なグレーディングシステムとは異なり、よりリッチな表現を可能にするために、各オレンジのマルチビュー画像をキャプチャする。
その後、得られた画像を1コラージュに構成する。
これにより、オレンジの皮全体を分析することができる。
合成画像上に畳み込みニューラルネットワーク(CNN)をトレーニングし、オレンジを3つのクラスに分類する。
また,2つの異なるCNN(ResNet-18とSqueezeNet)による性能評価を行った。
複数ビューのグラデーションは単一ビューのグラデーションよりも優れていることを示す。
関連論文リスト
- VisionReward: Fine-Grained Multi-Dimensional Human Preference Learning for Image and Video Generation [70.68566282567207]
画像生成と映像生成の両方において人間の視覚的嗜好を学習するためのフレームワークであるVisionRewardを紹介する。
VisionRewardは、マシンメトリクスと人的評価の両方において、既存の画像およびビデオ報酬モデルを大幅に上回ることができる。
論文 参考訳(メタデータ) (2024-12-30T16:24:09Z) - Classifying Healthy and Defective Fruits with a Multi-Input Architecture and CNN Models [0.0]
主な目的は、CNNモデルの精度を高めることである。
その結果,Multi-Input アーキテクチャにシルエット画像を含めることで,優れた性能のモデルが得られることがわかった。
論文 参考訳(メタデータ) (2024-10-14T21:37:12Z) - 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) - An Application of Deep Learning for Sweet Cherry Phenotyping using YOLO
Object Detection [8.943378640301734]
樹木の果実の育種は、多くのサンプルにおいて、様々な果実品質特性の反復測定を含む長期的な活動である。
これらの特徴は、伝統的に、手動で果実を数え、間接的に果実の大きさを測ることによって測定される。
ディープラーニングの最近の進歩は、このプロセスの自動化に役立つ。
YOLOv3を用いて,カメラの視野におけるサツマイモの実の数をリアルタイムで計測する手法を開発した。
論文 参考訳(メタデータ) (2023-02-13T21:24:09Z) - Facilitated machine learning for image-based fruit quality assessment in
developing countries [68.8204255655161]
自動画像分類は食品科学における教師あり機械学習の一般的な課題である。
事前学習型視覚変換器(ViT)に基づく代替手法を提案する。
標準的なデバイス上で限られたリソースで簡単に実装できる。
論文 参考訳(メタデータ) (2022-07-10T19:52:20Z) - Series Photo Selection via Multi-view Graph Learning [52.33318426088579]
連続写真選択(SPS)は画像美学の質評価の重要な分野である。
我々は,マルチビュー特徴間の関係を構築するために,グラフニューラルネットワークを利用する。
ほぼ同一の一連の写真の中から最適なものを選択するために、シアムズネットワークが提案されている。
論文 参考訳(メタデータ) (2022-03-18T04:23:25Z) - Design of an Intelligent Vision Algorithm for Recognition and
Classification of Apples in an Orchard Scene [0.0]
本研究の目的は、ロボットリンゴ収穫機のための堅牢な視覚アルゴリズムを設計することである。
提案アルゴリズムは、果樹園のシーンで見つかった4種類のオブジェクトを識別し分類することができる。
論文 参考訳(メタデータ) (2021-10-07T07:31:44Z) - Assessing The Importance Of Colours For CNNs In Object Recognition [70.70151719764021]
畳み込みニューラルネットワーク(CNN)は相反する性質を示すことが示されている。
CNNが予測をしながら色情報に大きく依存していることを実証します。
congruent, greyscale, incongruent画像の合同画像で学習したモデルを評価する。
論文 参考訳(メタデータ) (2020-12-12T22:55:06Z) - Central object segmentation by deep learning for fruits and other
roundish objects [1.9336815376402714]
本稿では、RGB画像の中央に物体を識別し、描画するCROP(Central Roundish Object Painter)を提案する。
この技術は、農場における果実の生育の統計データを自動収集する手段を提供する。
論文 参考訳(メタデータ) (2020-08-04T00:13:40Z) - Instance-aware Image Colorization [51.12040118366072]
本稿では,インスタンス認識のカラー化を実現する手法を提案する。
我々のネットワークアーキテクチャは、市販のオブジェクト検出器を利用して、収穫されたオブジェクト画像を取得する。
類似したネットワークを用いて、フルイメージの特徴を抽出し、融合モジュールを適用して最終色を予測する。
論文 参考訳(メタデータ) (2020-05-21T17:59:23Z) - Learning to Structure an Image with Few Colors [59.34619548026885]
そこで,カラー量子化ネットワークであるColorCNNを提案する。
1ビットのカラースペース(すなわち2色)だけで、提案されたネットワークはCIFAR10データセット上で82.1%のトップ-1の精度を達成した。
アプリケーションの場合、PNGでエンコードされた場合、提案したカラー量子化は、極低ビットレート方式の他の画像圧縮方法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-03-17T17:56:15Z)
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。