論文の概要: An Improved YOLOv8 Approach for Small Target Detection of Rice Spikelet Flowering in Field Environments

• arxiv url: http://arxiv.org/abs/2507.20506v1
• Date: Mon, 28 Jul 2025 04:01:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:57.785042
• Title: An Improved YOLOv8 Approach for Small Target Detection of Rice Spikelet Flowering in Field Environments
• Title（参考訳）: 改良型YOLOv8による水稲スパイクレット開花小ターゲット検出
• Authors: Beizhang Chen, Jinming Liang, Zheng Xiong, Ming Pan, Xiangbao Meng, Qingshan Lin, Qun Ma, Yingping Zhao,
• Abstract要約: そこで本研究では,改良型YOLOv8オブジェクト検出モデルに基づく水稲の穂花認識手法を提案する。 BiFPNは、オリジナルのPANet構造を置き換えることで、機能融合を強化し、マルチスケールの機能利用を改善する。 フィールド条件下でのコメ開花のデータセットが公開されていないため、高解像度のRGBカメラとデータ拡張技術が用いられている。
• 参考スコア（独自算出の注目度）: 1.0288898584996287
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurately detecting rice flowering time is crucial for timely pollination in hybrid rice seed production. This not only enhances pollination efficiency but also ensures higher yields. However, due to the complexity of field environments and the characteristics of rice spikelets, such as their small size and short flowering period, automated and precise recognition remains challenging. To address this, this study proposes a rice spikelet flowering recognition method based on an improved YOLOv8 object detection model. First, a Bidirectional Feature Pyramid Network (BiFPN) replaces the original PANet structure to enhance feature fusion and improve multi-scale feature utilization. Second, to boost small object detection, a p2 small-object detection head is added, using finer feature mapping to reduce feature loss commonly seen in detecting small targets. Given the lack of publicly available datasets for rice spikelet flowering in field conditions, a high-resolution RGB camera and data augmentation techniques are used to construct a dedicated dataset, providing reliable support for model training and testing. Experimental results show that the improved YOLOv8s-p2 model achieves an mAP@0.5 of 65.9%, precision of 67.6%, recall of 61.5%, and F1-score of 64.41%, representing improvements of 3.10%, 8.40%, 10.80%, and 9.79%, respectively, over the baseline YOLOv8. The model also runs at 69 f/s on the test set, meeting practical application requirements. Overall, the improved YOLOv8s-p2 offers high accuracy and speed, providing an effective solution for automated monitoring in hybrid rice seed production.
• Abstract（参考訳）: イネの開花時期の正確な検出は、雑種種子生産におけるタイムリーな受粉に不可欠である。 これは受粉効率を高めるだけでなく、高い収量を確保する。 しかし, 畑環境の複雑化や, 小型化や開花期間の短さなど水稲の穂の特色から, 自動的かつ正確な認識が困難である。 そこで本研究では,改良型YOLOv8オブジェクト検出モデルに基づく水稲の穂花認識手法を提案する。 まず、Bidirectional Feature Pyramid Network (BiFPN) が元のPANet構造を置き換え、機能融合を強化し、マルチスケール機能利用を改善する。 第二に、小対象検出を促進するため、小目標検出によく見られる特徴損失を低減するために、より微細な特徴マッピングを用いて、p2小対象検出ヘッドを追加する。 フィールド条件下でのコメの開花のための公開データセットの欠如を踏まえ、高解像度のRGBカメラとデータ拡張技術を使用して専用のデータセットを構築し、モデルのトレーニングとテストの信頼性を提供する。 実験の結果、改良されたYOLOv8s-p2モデルでは、65.9%のmAP@0.5、67.6%の精度、61.5%のリコール、64.41%のF1スコア、それぞれ3.10%、8.40%、10.80%、9.79%の改善が達成された。 モデルはテストセット上で69 f/sで実行され、実用的なアプリケーション要件を満たす。 改良されたYOLOv8s-p2は、高い精度とスピードを提供し、ハイブリット種子生産における自動モニタリングの効果的なソリューションを提供する。

関連論文リスト

• BAWSeg: A UAV Multispectral Benchmark for Barley Weed Segmentation [31.004130414489698]
  そこで本研究では,2ストリーム分割ネットワークをネイティブ解像度で,放射能キューと正規化インデックスキューとを融合する。 植生インデックスとスペクトルアテンションは、植生インデックスマップの窓付き自己アテンションで動作する。 植生指数と分光アテンションは75.6%のmIoUと63.5%の雑草IoUを22.8Mパラメータで達成し、多スペクトルのSegFormer-B1ベースラインを1.2mIoUと1.9の雑草IoUで上回っている。
  論文  参考訳（メタデータ） (2026-03-02T14:49:05Z)
• YOLOv11-Litchi: Efficient Litchi Fruit Detection based on UAV-Captured Agricultural Imagery in Complex Orchard Environments [6.862722449907841]
  本稿では,UAVを用いたリッチ検出のための軽量で堅牢な検出モデルであるYOLOv11-Litchiを紹介する。 YOLOv11-Litchiのパラメータサイズは6.35MBで、YOLOv11ベースラインよりも32.5%小さい。 このモデルは57.2FPSのフレームレートを実現し、リアルタイム検出要求を満たす。
  論文  参考訳（メタデータ） (2025-10-11T09:44:00Z)
• Maize Seedling Detection Dataset (MSDD): A Curated High-Resolution RGB Dataset for Seedling Maize Detection and Benchmarking with YOLOv9, YOLO11, YOLOv12 and Faster-RCNN [0.28647133890966986]
  スタンドカウントは、植物が発芽した数を決定し、再移植や入力の調整といったタイムリーな決定を導く。 実生苗数計測のための高品質な航空画像データセットであるMSDDを導入し,早稲作モニタリング,収量予測,現地管理に応用した。 MSDDには、様々な成長段階、植林設備、土壌タイプ、照明条件、カメラアングル、密度の3つのクラス・シングル、ダブル、トリプルの植物が含まれる。
  論文  参考訳（メタデータ） (2025-09-18T17:41:59Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• IPENS:Interactive Unsupervised Framework for Rapid Plant Phenotyping Extraction via NeRF-SAM2 Fusion [7.103482669612749]
  IPENSは、教師なしマルチターゲットポイントクラウド抽出手法である。 粒度セグメンテーション精度(mIoU)は63.72%である。 また、コムギデータセットのセグメンテーション精度を89.68%(mIoU)に改善する。
  論文  参考訳（メタデータ） (2025-05-19T18:13:09Z)
• YOLO-RS: Remote Sensing Enhanced Crop Detection Methods [0.32985979395737786]
  既存のターゲット検出手法は、リモートセンシング画像において、小さなターゲットを扱う際の性能が劣っている。 YOLO-RSは、小さなターゲットの検出を大幅に強化した最新のYolov11に基づいている。 リモートセンシング画像における小目標検出作業におけるYOLO-RSの有効性と適用可能性を検証する実験を行った。
  論文  参考訳（メタデータ） (2025-04-15T13:13:22Z)
• YOLO-LLTS: Real-Time Low-Light Traffic Sign Detection via Prior-Guided Enhancement and Multi-Branch Feature Interaction [45.79993863157494]
  YOLO-LLTSは、低照度環境向けに設計されたエンドツーエンドのリアルタイム信号検出アルゴリズムである。 YOLO-LLTSは、HRFM-SOD(High-Resolution Feature Map for Small Object Detection)、MFIA(Multi-branch Feature Interaction Attention)、PGFE(Presideed-Guided Feature Enhancement Module)の3つの主要なコントリビューションを紹介している。 実験の結果、YOLO-LLTSは最新技術の性能を達成し、TT100K-nightでは2.7% mAP50:95と1.6% mAP50:95よりも優れていた。
  論文  参考訳（メタデータ） (2025-03-18T04:28:05Z)
• Improved YOLOv5s model for key components detection of power transmission lines [23.73288455723377]
  本稿では, YOLOv5s(You Only Look Once Version 5 Small)モデルに基づくオブジェクト検出モデルを提案する。 改善手法のmAP(平均精度)は98.1%,精度は97.5%,リコールは94.4%,検出速度は84.8FPS(毎秒フレーム)に達した。
  論文  参考訳（メタデータ） (2025-02-10T03:29:34Z)
• Assessing the Capability of YOLO- and Transformer-based Object Detectors for Real-time Weed Detection [0.0]
  YOLOv8, YOLOv9, YOLOv10, RT-DETRのすべての利用可能なモデルは、実地状況の画像を用いて訓練され、評価される。 その結果、評価された指標では、全てのモデルが等しくよく機能するのに対し、YOLOv9モデルは強いリコールスコアの点で際立っていることがわかった。 RT-DETRモデル、特にRT-DETR-lは、データセット1では82.44 %、データセット2では81.46 %の精度で優れている。
  論文  参考訳（メタデータ） (2025-01-29T02:39:57Z)
• Track Any Peppers: Weakly Supervised Sweet Pepper Tracking Using VLMs [31.303427417198137]
  Track Any Peppers (TAP)は、トウガラシ追跡のための弱い教師付きアンサンブル技術である。 TAPは、人間の介入を最小限に抑えたビデオシーケンスで、サツマイモの擬似ラベルを生成する。 提案手法では,HOTAスコア80.4%,MOTA66.1%,リコール74.0%,精度90.7%を実現している。
  論文  参考訳（メタデータ） (2024-11-11T04:07:25Z)
• A Recurrent YOLOv8-based framework for Event-Based Object Detection [4.866548300593921]
  本研究では、時間的モデリング機能を備えたフレームベース検出システムを強化する高度なオブジェクト検出フレームワークであるReYOLOv8を紹介する。 イベントデータを符号化する低レイテンシでメモリ効率の手法を実装し,システムの性能を向上する。 また、イベントデータのユニークな属性を利用するように調整された新しいデータ拡張手法を開発し、検出精度を向上した。
  論文  参考訳（メタデータ） (2024-08-09T20:00:16Z)
• PanicleNeRF: low-cost, high-precision in-field phenotypingof rice panicles with smartphone [4.441945709704536]
  PanicleNeRFは,スマートフォンを用いた現場における水稲パニックモデルの高精度かつ低コストな再構築を可能にする新しい手法である。 結果: PanicleNeRFは2次元画像分割作業に効果的に対応し、平均F1スコアは86.9%、平均IoUは79.8%であった。 本発明の方法は、米の育種効率を向上し、低コストでイネパニックの表現型化を図り得る方法である。
  論文  参考訳（メタデータ） (2024-08-04T15:01:16Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• High-Performance Fine Defect Detection in Artificial Leather Using Dual Feature Pool Object Detection [40.14938518877818]
  人工皮革の微細欠陥の特徴から, DFP, IFF, AMP, EOSの4つの革新的な構造が設計された。 これらの進歩により、YOLODという高性能な人工皮革微細欠陥検出モデルが提案された。 YOLODは人工皮革欠陥データセットに優れた性能を示し、YOLOv5と比較してAP_50の11.7%から13.5%の顕著な増加を達成した。 YOLODはまた、一般のMS-COCOデータセットでも顕著なパフォーマンスを示しており、YOLOv5と比較してAPでは0.4%から2.6%増加した。
  論文  参考訳（メタデータ） (2023-07-31T15:18:54Z)
• Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
  Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。 画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。 弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-06-06T08:19:30Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• Hessian-Aware Pruning and Optimal Neural Implant [74.3282611517773]
  プルーニングは、ニューラルネットワークモデルに関連するメモリフットプリントとフラップを減らす効果的な方法である。 構造的プルーニングの指標として2次感度を用いたニューラルインプラントアプローチと組み合わされた新しいヘッセン認識プルーニング法を提案する。
  論文  参考訳（メタデータ） (2021-01-22T04:08:03Z)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)

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。