論文の概要: Machine Learning-based Early Detection of Potato Sprouting Using Electrophysiological Signals

• arxiv url: http://arxiv.org/abs/2507.00862v1
• Date: Tue, 01 Jul 2025 15:28:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.698446
• Title: Machine Learning-based Early Detection of Potato Sprouting Using Electrophysiological Signals
• Title（参考訳）: 電気生理学的信号を用いたポテト汚染の機械学習による早期検出
• Authors: Davide Andreoletti, Aris Marcolongo, Natasa Sarafijanovic Djukic, Julien Roulet, Stefano Billeter, Andrzej Kurenda, Margot Visse-Mansiaux, Brice Dupuis, Carrol Annette Plummer, Beatrice Paoli, Omran Ayoub,
• Abstract要約: 本稿では,ポテト発芽の早期予測を可能にする機械学習(ML)に基づく新しい手法を提案する。 本手法では,記録信号の事前処理を行い,ウェーブレット領域から関連する特徴を抽出し,早期発芽検出のためのMLモデルを訓練する。
• 参考スコア（独自算出の注目度）: 1.140138536177768
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately predicting potato sprouting before the emergence of any visual signs is critical for effective storage management, as sprouting degrades both the commercial and nutritional value of tubers. Effective forecasting allows for the precise application of anti-sprouting chemicals (ASCs), minimizing waste and reducing costs. This need has become even more pressing following the ban on Isopropyl N-(3-chlorophenyl) carbamate (CIPC) or Chlorpropham due to health and environmental concerns, which has led to the adoption of significantly more expensive alternative ASCs. Existing approaches primarily rely on visual identification, which only detects sprouting after morphological changes have occurred, limiting their effectiveness for proactive management. A reliable early prediction method is therefore essential to enable timely intervention and improve the efficiency of post-harvest storage strategies, where early refers to detecting sprouting before any visible signs appear. In this work, we address the problem of early prediction of potato sprouting. To this end, we propose a novel machine learning (ML)-based approach that enables early prediction of potato sprouting using electrophysiological signals recorded from tubers using proprietary sensors. Our approach preprocesses the recorded signals, extracts relevant features from the wavelet domain, and trains supervised ML models for early sprouting detection. Additionally, we incorporate uncertainty quantification techniques to enhance predictions. Experimental results demonstrate promising performance in the early detection of potato sprouting by accurately predicting the exact day of sprouting for a subset of potatoes and while showing acceptable average error across all potatoes. Despite promising results, further refinements are necessary to minimize prediction errors, particularly in reducing the maximum observed deviations.
• Abstract（参考訳）: ジャガイモの発芽を視覚的な兆候が出現する前に正確に予測することは効果的な貯蔵管理にとって重要である。 効果的な予測は、防汚化学物質(ASC)の正確な適用、廃棄物の最小化、コスト削減を可能にする。 この必要性は、健康と環境の懸念から、イソプロピルN-(3-クロロフェニル)カルバミン酸 (CIPC) やクロロプロパム (Chlorpropham) が禁止され、より高価な代替薬であるASCが採用され、さらに強まりつつある。 既存のアプローチは主に視覚的識別に依存しており、形態的変化が起こった後にのみ発芽を検知し、前向きな管理の有効性を制限している。 したがって,早期早期予測法は時間的介入が可能であり,早期に出現する前に発芽を検知するハーベスト後の記憶戦略の効率化に不可欠である。 本研究では,ジャガイモの発芽早期予測の問題に対処する。 そこで本研究では,ポテト発芽の早期予測を,プロプライエタリなセンサを用いてチューバから記録された電気生理学的信号を用いて実現する機械学習(ML)に基づく手法を提案する。 本手法では,記録信号の事前処理を行い,ウェーブレット領域から関連する特徴を抽出し,早期発芽検出のためのMLモデルを訓練する。 さらに、予測を強化するために不確実性定量化手法を組み込んだ。 実験結果から,ジャガイモの発芽日を正確に予測し,ジャガイモの発芽日を推定し,ジャガイモの発芽時期の早期検出に有望な性能を示した。 有望な結果にもかかわらず、予測誤差の最小化、特に観測された最大偏差の低減にはさらなる改善が必要である。

関連論文リスト

• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
  本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。 非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T08:38:23Z)
• Small data deep learning methodology for in-field disease detection [6.2747249113031325]
  本稿では,ポテト作物の遅発症状を軽度に検出できる最初の機械学習モデルを提案する。 提案手法は, 焦点損失関数を持つ深部畳み込みニューラルネットワークをベースとした, パッチ方式による高分解能画像の高精細化を実現する。 本モデルでは, 早期症状の同定に高い精度と有効性を示した。
  論文  参考訳（メタデータ） (2024-09-25T17:31:17Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• PSBD: Prediction Shift Uncertainty Unlocks Backdoor Detection [57.571451139201855]
  予測シフトバックドア検出(英: Prediction Shift Backdoor Detection、PSBD)は、ディープニューラルネットワークにおけるバックドアサンプルを識別する新しい手法である。 PSBDは興味深い予測シフト(PS)現象によって動機付けられており、クリーンなデータに対する有害なモデルの予測は、しばしば真のラベルから別のラベルへとシフトする。 PSBDは、モデル推論中にドロップアウト層をオン/オフする際の確率値のばらつきである予測シフト不確実性(PSU)を計算することで、バックドアトレーニングサンプルを特定する。
  論文  参考訳（メタデータ） (2024-06-09T15:31:00Z)
• PlantPlotGAN: A Physics-Informed Generative Adversarial Network for Plant Disease Prediction [2.7409168462107347]
  リアルな植生指標を持つ合成多スペクトルプロット画像を作成することができる物理インフォームド・ジェネレーティブ・モデルであるPlanetPlotGANを提案する。 その結果, PlantPlotGANから生成された合成画像はFr'echet開始距離に関して最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-10-27T16:56:28Z)
• LMD: Light-weight Prediction Quality Estimation for Object Detection in Lidar Point Clouds [3.927702899922668]
  Lidarのクラウドデータのオブジェクト検出は、自動運転とロボット工学にとって有望な技術だ。 不確実性推定は下流タスクにとって重要な要素であり、ディープニューラルネットワークは信頼性の高い予測であってもエラーを起こしやすい。 予測品質推定のための軽量後処理方式LidarMetaDetectを提案する。 本実験は,偽予測から真を分離する際の統計的信頼性を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2023-06-13T15:13:29Z)
• Disruption Precursor Onset Time Study Based on Semi-supervised Anomaly Detection [6.287037295927318]
  本稿では,不均衡な正と負のデータサンプルの欠点を克服する異常検出に基づく破壊予測手法を提案する。 異常検出予測器によって推定される開始時間を用いて前駆的なラベリングを最適化し、教師付き学習破壊予測器上で最適化されたラベルをテストする。
  論文  参考訳（メタデータ） (2023-03-27T07:54:56Z)
• 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)
• Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
  ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。 本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
  論文  参考訳（メタデータ） (2021-12-15T15:17:02Z)

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。