論文の概要: A Novel Convolutional Neural Network-Based Framework for Complex Multiclass Brassica Seed Classification

• arxiv url: http://arxiv.org/abs/2505.21558v1
• Date: Mon, 26 May 2025 20:18:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.160621
• Title: A Novel Convolutional Neural Network-Based Framework for Complex Multiclass Brassica Seed Classification
• Title（参考訳）: 複合型ブラスカ種子分類のための畳み込みニューラルネットワークに基づく新しいフレームワーク
• Authors: Elhoucine Elfatimia, Recep Eryigitb, Lahcen Elfatimi,
• Abstract要約: 本研究では,10種類のブラシカ種子の効率的な分類のための,新しい畳み込みニューラルネットワーク(CNN)に基づくフレームワークを提案する。 収集したBrassicaシードデータセットを用いた実験結果から,提案モデルが93%の精度で達成できたことが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agricultural research has accelerated in recent years, yet farmers often lack the time and resources for on-farm research due to the demands of crop production and farm operations. Seed classification offers valuable insights into quality control, production efficiency, and impurity detection. Early identification of seed types is critical to reducing the cost and risk associated with field emergence, which can lead to yield losses or disruptions in downstream processes like harvesting. Seed sampling supports growers in monitoring and managing seed quality, improving precision in determining seed purity levels, guiding management adjustments, and enhancing yield estimations. This study proposes a novel convolutional neural network (CNN)-based framework for the efficient classification of ten common Brassica seed types. The approach addresses the inherent challenge of texture similarity in seed images using a custom-designed CNN architecture. The model's performance was evaluated against several pre-trained state-of-the-art architectures, with adjustments to layer configurations for optimized classification. Experimental results using our collected Brassica seed dataset demonstrate that the proposed model achieved a high accuracy rate of 93 percent.
• Abstract（参考訳）: 近年では農業研究が加速しているが、農作物生産や農業経営の要求により、農業研究の時間と資源が不足していることが多い。 種子分類は品質管理、生産効率、不純物検出に関する貴重な洞察を提供する。 種子の種類を早期に同定することは、畑の出現に伴うコストとリスクを低減し、収穫のような下流プロセスの損失や破壊を引き起こす可能性がある。 種子サンプリングは、種子品質のモニタリングと管理、種子純度レベルの決定の精度の向上、管理調整の指導、収量推定の強化をサポートする。 本研究では,10種類のブラシカ種子の効率的な分類のための,新しい畳み込みニューラルネットワーク(CNN)に基づくフレームワークを提案する。 このアプローチは、カスタム設計のCNNアーキテクチャを用いて、シード画像のテクスチャ類似性の固有の課題に対処する。 モデルの性能は、いくつかの事前訓練された最先端アーキテクチャに対して評価され、最適化された分類のための層構成を調整した。 収集したBrassicaシードデータセットを用いた実験結果から,提案モデルが93%の精度で達成できたことが示された。

関連論文リスト

• Machine Learning Models for Soil Parameter Prediction Based on Satellite, Weather, Clay and Yield Data [1.546169961420396]
  AgroLensプロジェクトは、研究室のテストに頼らずに土壌の栄養レベルを予測する機械学習ベースの方法論の開発に取り組んでいる。 このアプローチは、LUCAS土壌データセットとSentinel-2衛星画像を用いた堅牢なヨーロッパモデルの開発から始まる。 Random Forests、Extreme Gradient Boosting (XGBoost)、Fully Connected Neural Networks (FCNN)といった高度なアルゴリズムが実装され、正確な栄養予測のために微調整された。
  論文  参考訳（メタデータ） (2025-03-28T09:44:32Z)
• Cannabis Seed Variant Detection using Faster R-CNN [0.0]
  本稿では,現在最先端のオブジェクト検出モデルであるFaster R-CNNを用いて,大麻種子の変種検出について検討する。 タイの大麻種子データセットに,17種類の異なるクラスからなるモデルを実装した。 各種測定値のパフォーマンスを比較し,mAPスコア94.08%,F1スコア95.66%を達成して,より高速な6つのR-CNNモデルを評価する。
  論文  参考訳（メタデータ） (2024-03-15T22:49:47Z)
• Enhancing crop classification accuracy by synthetic SAR-Optical data generation using deep learning [0.0]
  農業地域では、優占作物は典型的には1種または2種であり、他の作物は少ない。 農作物の地図を作成するためにトレーニングサンプルを集める際には、支配的な作物からのサンプルが多数存在し、多数派を形成している。 提案手法は, マイノリティクラスにおけるサンプル数を大幅に増加させることができる, 高品質な合成データを生成することを実証した。
  論文  参考訳（メタデータ） (2024-02-03T11:07:50Z)
• AMaizeD: An End to End Pipeline for Automatic Maize Disease Detection [0.0]
  AMaizeDは、ドローンから得られたマルチスペクトル画像を用いて、トウモロコシの作物の病気を早期に検出する自動化フレームワークである。 提案するフレームワークは,コンボリューションニューラルネットワーク(CNN)を特徴抽出器とセグメンテーション技術に組み合わせて,トウモロコシの植物とその関連疾患を同定する。
  論文  参考訳（メタデータ） (2023-07-23T19:58:40Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• 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)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• 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)
• 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)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。