論文の概要: Data-driven worker activity recognition and picking efficiency estimation in manual strawberry harvesting
- arxiv url: http://arxiv.org/abs/2503.22809v1
- Date: Fri, 28 Mar 2025 18:16:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-01 19:35:56.802248
- Title: Data-driven worker activity recognition and picking efficiency estimation in manual strawberry harvesting
- Title（参考訳）: 手作業によるイチゴ収穫における作業者の行動認識と収穫効率の推定
- Authors: Uddhav Bhattarai, Rajkishan Arikapudi, Steven A. Fennimore, Frank N Martin, Stavros G. Vougioukas,
- Abstract要約: ピッカー効率を推定するためには、ピッカーと非ピッカー活動の正確な識別が不可欠である。
本研究では, 商業用イチゴ収穫におけるピッカーの効率を評価するための実用的システムを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Manual fruit harvesting is common in agriculture, but the amount of time that pickers spend on nonproductive activities can make it very inefficient. Accurately identifying picking vs. non-picking activity is crucial for estimating picker efficiency and optimizing labor management and the harvest process. In this study, a practical system was developed to calculate the efficiency of pickers in commercial strawberry harvesting. Instrumented picking carts were used to record in real-time the harvested fruit weight, geo-location, and cart movement. A fleet of these carts was deployed during the commercial strawberry harvest season in Santa Maria, CA. The collected data was then used to train a CNN-LSTM-based deep neural network to classify a picker's activity into ``Pick" and ``NoPick" classes. Experimental evaluations showed that the CNN-LSTM model showed promising activity recognition performance with an F1 score accuracy of up to 0.974. The classification results were then used to compute two worker efficiency metrics: the percentage of time spent actively picking, and the time required to fill a tray. Analysis of the season-long harvest data showed that the pickers spent an average of 73.56% of their total harvest time actively picking strawberries, with an average tray fill time of 6.22 minutes. The mean accuracies of these metrics were 96.29% and 95.42%, respectively. When integrated on a commercial scale, the proposed technology could aid growers in automated worker activity monitoring and harvest optimization, ultimately helping to reduce non-productive time and enhance overall harvest efficiency.
- Abstract（参考訳）: 手作業による果物の収穫は農業では一般的であるが、ピッカーが非生産的活動に費やす時間は非常に非効率である。
選別と非選別活動の正確な識別は、選別効率を推定し、労働管理と収穫プロセスの最適化に不可欠である。
本研究では, 商業用イチゴ収穫におけるピッカーの効率を評価するための実用的システムを開発した。
収穫した果実の重量、ジオロケーション、カートの動きをリアルタイムで記録するために、計器式ピッキングカートが使用された。
カリフォルニア州サンタマリアの商業用イチゴ収穫シーズンには、これらのカートの艦隊が配備された。
収集されたデータは、CNN-LSTMベースのディープニューラルネットワークをトレーニングするために使用され、ピッカーのアクティビティを ``Pick" と ``NoPick" のクラスに分類した。
実験の結果, CNN-LSTMモデルでは, F1スコアの精度が0.974。
次に、分類結果を2つの作業効率指標(アクティブに選択した時間の割合、トレイを埋めるのに必要な時間)の計算に使用した。
季節別収穫データから, 収穫時間の73.56%はイチゴを盛んに摘み, 平均トレイ充填時間は6.22分であった。
これらの指標の平均精度は96.29%と95.42%であった。
商業的な規模に組み込むと、提案技術は、自動作業者の活動監視と収穫最適化における農家の助けとなり、最終的には非生産時間を短縮し、収穫効率の全体的な向上に寄与する。
関連論文リスト
- Raspberry PhenoSet: A Phenology-based Dataset for Automated Growth Detection and Yield Estimation [1.2661567777618703]
7つの発達段階にまたがるラズベリー果実の検出とセグメンテーションのための表現学ベースのデータセットであるRaspberry PhenoSetを紹介した。
このデータセットには1,853枚の高解像度画像が含まれており、これは文学の中で最高品質であり、垂直農場で制御された人工照明の下で撮影された。
YOLOv8, YOLOv10, RT-DETR, Mask R-CNNなど,最先端のディープラーニングモデルをベンチマークして, データセットのパフォーマンスを総合的に評価した。
論文 参考訳（メタデータ） (2024-11-01T18:34:26Z) - Strawberry detection and counting based on YOLOv7 pruning and information based tracking algorithm [2.8246025005347875]
本研究は,イチゴの花,未熟果実,成熟果実の検出を迅速かつ正確に行うことができる深層学習モデル(YOLOv7とその変種)の検出ヘッドの最適刈り取り法を提案した。
特にPruning-YOLOv7-tiny with detection head 3とPruning-YOLOv7-tiny with head 2 and 3は最高の推論速度(毎秒163.9フレーム)と検出精度(89.1%)を達成した。
論文 参考訳（メタデータ） (2024-07-17T14:41:57Z) - Incremental Self-training for Semi-supervised Learning [56.57057576885672]
ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。
提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
論文 参考訳（メタデータ） (2024-04-14T05:02:00Z) - 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 Picker Activity Recognition with Wearable Sensors and Machine
Learning [1.9036571490366496]
本稿では,ウェアラブルセンサから生成された時系列データに基づいて,果物の摘み取り活動を検出する新しい手法を提案する。
農家や経営者にとって、収穫箱をより効果的に管理するためには、ピッカーバッグが空になったときの知識が重要である。
本研究では,ウェアラブルセンサと機械学習を用いた人間の行動認識を用いて,バッグ空きイベントを検出する手法を提案する。
論文 参考訳（メタデータ） (2023-04-20T03:38:08Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳（メタデータ） (2023-04-07T23:51:07Z) - Autonomous Apple Fruitlet Sizing and Growth Rate Tracking using Computer
Vision [6.303112417588331]
本稿では,リンゴ果実の大きさと生育速度をコンピュータビジョンで測定する手法を提案する。
成長率を得ることの現在の習慣は、数日間にわたって果物の粒度を記録するためにキャリパーを使うことである。
提案システムは,現行手法の3.5%以内において,6倍の速度向上を達成できることを示す。
論文 参考訳（メタデータ） (2022-12-03T01:59:46Z) - 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) - Deep Learning approach for Classifying Trusses and Runners of
Strawberries [1.6799377888527687]
本稿では,イチゴ植物のトラスとランナーの分類にDeep Learningを用いたことを提案する。
提案手法は、データセットを人工的に増強するためにノイズ(ガウス、スペックル、ポアソン、ソルト・アンド・ペッパー)を使用することに基づいている。
その結果, 精度, リコール, F1スコアの平均値を用いて評価した。
論文 参考訳（メタデータ） (2022-07-06T14:48:35Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳（メタデータ） (2022-01-31T13:01:37Z) - Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。
衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
論文 参考訳（メタデータ） (2020-07-07T12:44:17Z) - Finding Berries: Segmentation and Counting of Cranberries using Point
Supervision and Shape Priors [3.6704226968275258]
本研究では,収量推定と日射予測を支援するために,クランベリーの同時分別と計数を行う深層学習手法を提案する。
このアプローチはTriple-S Networkと呼ばれ、農業シーンに典型的な既知の形状の物体に適合するように、形状が先行する3つの部分の損失を伴っている。
その結果, セグメント化性能は6.74%以上向上し, 最先端技術と比較して22.91%向上した。
論文 参考訳（メタデータ） (2020-04-18T01:08:57Z)
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。