論文の概要: Exploring Convolutional Neural Networks for Rice Grain Classification: An Explainable AI Approach

• arxiv url: http://arxiv.org/abs/2505.05513v2
• Date: Thu, 15 May 2025 06:56:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 12:00:18.743291
• Title: Exploring Convolutional Neural Networks for Rice Grain Classification: An Explainable AI Approach
• Title（参考訳）: 米粒分類のための畳み込みニューラルネットワークの探索:説明可能なAIアプローチ
• Authors: Muhammad Junaid Asif, Hamza Khan, Rabia Tehseen, Syed Tahir Hussain Rizvi, Mujtaba Asad, Shazia Saqib, Rana Fayyaz Ahmad,
• Abstract要約: 本研究では,異なる品種の米粒を分類するための畳み込みニューラルネットワーク(CNN)に基づく自動フレームワークを提案する。 提案手法は,精度,リコール,精度,F1スコアなどの性能指標に基づいて評価する。
• 参考スコア（独自算出の注目度）: 1.0208529247755187
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Rice is an essential staple food worldwide that is important in promoting international trade, economic growth, and nutrition. Asian countries such as China, India, Pakistan, Thailand, Vietnam, and Indonesia are notable for their significant contribution to the cultivation and utilization of rice. These nations are also known for cultivating different rice grains, including short and long grains. These sizes are further classified as basmati, jasmine, kainat saila, ipsala, arborio, etc., catering to diverse culinary preferences and cultural traditions. For both local and international trade, inspecting and maintaining the quality of rice grains to satisfy customers and preserve a country's reputation is necessary. Manual quality check and classification is quite a laborious and time-consuming process. It is also highly prone to mistakes. Therefore, an automatic solution must be proposed for the effective and efficient classification of different varieties of rice grains. This research paper presents an automatic framework based on a convolutional neural network (CNN) for classifying different varieties of rice grains. We evaluated the proposed model based on performance metrics such as accuracy, recall, precision, and F1-Score. The CNN model underwent rigorous training and validation, achieving a remarkable accuracy rate and a perfect area under each class's Receiver Operating Characteristic (ROC) curve. The confusion matrix analysis confirmed the model's effectiveness in distinguishing between the different rice varieties, indicating minimal misclassifications. Additionally, the integration of explainability techniques such as LIME (Local Interpretable Model-agnostic Explanations) and SHAP (SHapley Additive exPlanations) provided valuable insights into the model's decision-making process, revealing how specific features of the rice grains influenced classification outcomes.
• Abstract（参考訳）: イネは、国際貿易、経済成長、および栄養の促進に重要である、世界中で必須の主食である。 中国、インド、パキスタン、タイ、ベトナム、インドネシアなどのアジア諸国は、米の栽培と利用に大きな貢献をしている。 これらの国は、短くて長い粒を含む異なる米粒の栽培でも知られている。 これらのサイズはさらにバスマティ(Basmati)、ジャスミン(jasmine)、カイナト・セーラ(Kainat saila)、イプサラ(Ipsala)、アルボリオ(arborio)などに分類され、料理の嗜好や文化の伝統に合わせている。 地域・国際貿易の両面では、顧客を満足させ、国の評判を維持するために、米粒の質を検査・維持することが不可欠である。 手作業の品質チェックと分類は、非常に退屈で時間を要するプロセスです。 また、間違いを犯しやすい。 そのため、異なる品種の米粒を効果的かつ効率的に分類するためには、自動解法を提案する必要がある。 本研究では,異なる品種の米粒を分類するための畳み込みニューラルネットワーク(CNN)に基づく自動フレームワークを提案する。 提案手法は,精度,リコール,精度,F1スコアなどの性能指標に基づいて評価した。 CNNモデルは厳格なトレーニングと検証を行い、各クラスの受信操作特性(ROC)曲線の下で、顕著な精度と完璧な領域を達成することができた。 混乱行列解析により,異なる品種を区別するモデルの有効性を確認し,最小の誤分類を示した。 さらに、LIME(Local Interpretable Model-Agnostic Explanations)やSHAP(SHapley Additive ExPlanations)といった説明可能性技術の統合により、モデル決定プロセスに対する貴重な洞察を与え、米粒の特異な特徴が分類結果にどのように影響するかを明らかにした。

関連論文リスト

• An Improved Pure Fully Connected Neural Network for Rice Grain Classification [0.0]
  深層学習により、イネの自動分類が可能となり、精度と効率が向上した。 第一段階の訓練に基づく古典モデルは、類似した外的特徴を持つ米品種の区別が困難である可能性がある。 本研究では,米粒分類の観点から,深層学習モデルの分類能力を高めるための2つの微妙な方法を提案する。
  論文  参考訳（メタデータ） (2025-03-05T02:10:14Z)
• An Overall Real-Time Mechanism for Classification and Quality Evaluation of Rice [1.7034902216513157]
  本研究は, 包括的米粒評価のためのリアルタイム評価機構を提案する。 1段階のオブジェクト検出アプローチ、深層畳み込みニューラルネットワーク、従来の機械学習技術を統合する。 提案手法により,イネ品種の同定,粒度評価,粒度評価が可能となった。
  論文  参考訳（メタデータ） (2025-02-19T14:24:25Z)
• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• RoDE: Linear Rectified Mixture of Diverse Experts for Food Large Multi-Modal Models [96.43285670458803]
  Uni-Foodは、さまざまな食品ラベルを持つ10万以上の画像からなる統合食品データセットである。 Uni-Foodは、食品データ分析に対するより包括的なアプローチを提供するように設計されている。 本稿では,食品関連マルチタスキングの課題に対処するため,新しいリニア・リクティフィケーション・ミックス・オブ・ディバース・エキスパート (RoDE) アプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-17T16:49:34Z)
• A novel method for identifying rice seed purity based on hybrid machine learning algorithms [0.0]
  穀物産業では、種子の品質を評価する上で重要な要素として、種子の純度の同定が重要である。 本研究では,ハイブリッド機械学習アルゴリズムを用いて,特定の品種のイネ種子の純度を自動的に同定する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-09T17:13:25Z)
• 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 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)
• Vision-Based Defect Classification and Weight Estimation of Rice Kernels [12.747541089354538]
  そこで本研究では,イネカーネルの視覚的品質自動推定システムについて,その欠陥の種類に応じて分類し,視点型カーネルの重量比による品質評価を行う。 画像中の各カーネルの相対重量をその面積から測定する新しい指標を定義し,すべてのサンプルに対する各カーネルの相対重量を計算し,米の品質評価の基盤として利用できるようにした。
  論文  参考訳（メタデータ） (2022-10-06T03:58:05Z)
• 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)

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。