論文の概要: Low-Cost Machine Vision System for Sorting Green Lentils (Lens Culinaris) Based on Pneumatic Ejection and Deep Learning

• arxiv url: http://arxiv.org/abs/2507.20531v1
• Date: Mon, 28 Jul 2025 05:27:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:57.869497
• Title: Low-Cost Machine Vision System for Sorting Green Lentils (Lens Culinaris) Based on Pneumatic Ejection and Deep Learning
• Title（参考訳）: 空気エジェクションと深層学習に基づくグリーンレンチル(レンズキュリナリ)のソーティングのための低コスト機械ビジョンシステム
• Authors: Davy Rojas Yana, Edwin Salcedo,
• Abstract要約: 本稿では,グリーンレンチルス(Lens Culinaris)の動的粒度分類システムの設計,開発,評価について述べる。 このシステムは、コンベアベルト上の穀物を識別し、位置を特定するYOLOv8ベースの検出モデルと、穀物をGood、Yellow、Broken、Peeled、Dotted、Rejectの6つのクラスに分類する第2のYOLOv8ベースの分類モデルを統合する。 空気圧放出機構は欠陥粒を分離し、Arduinoベースの制御システムはビジョンシステムと機械部品のリアルタイム相互作用を調整する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents the design, development, and evaluation of a dynamic grain classification system for green lentils (Lens Culinaris), which leverages computer vision and pneumatic ejection. The system integrates a YOLOv8-based detection model that identifies and locates grains on a conveyor belt, together with a second YOLOv8-based classification model that categorises grains into six classes: Good, Yellow, Broken, Peeled, Dotted, and Reject. This two-stage YOLOv8 pipeline enables accurate, real-time, multi-class categorisation of lentils, implemented on a low-cost, modular hardware platform. The pneumatic ejection mechanism separates defective grains, while an Arduino-based control system coordinates real-time interaction between the vision system and mechanical components. The system operates effectively at a conveyor speed of 59 mm/s, achieving a grain separation accuracy of 87.2%. Despite a limited processing rate of 8 grams per minute, the prototype demonstrates the potential of machine vision for grain sorting and provides a modular foundation for future enhancements.
• Abstract（参考訳）: 本稿では, コンピュータビジョンと空気圧放出を利用したグリーンレンチルス(Lens Culinaris)の動的粒度分類システムの設計, 開発, 評価について述べる。 このシステムは、コンベアベルト上の穀物を識別し、位置を特定するYOLOv8ベースの検出モデルと、穀物をGood、Yellow、Broken、Peeled、Dotted、Rejectの6つのクラスに分類する第2のYOLOv8ベースの分類モデルを統合する。 この2段階のYOLOv8パイプラインは、低コストでモジュール化されたハードウェアプラットフォーム上に実装されたレンチルの正確でリアルタイムなマルチクラス分類を可能にする。 空気圧放出機構は欠陥粒を分離し、Arduinoベースの制御システムはビジョンシステムと機械部品のリアルタイム相互作用を調整する。 このシステムは、コンベア速度59mm/sで効果的に動作し、粒分離精度87.2%に達する。 1分間に8グラムの処理速度が制限されているにもかかわらず、プロトタイプは穀物の選別のためのマシンビジョンの可能性を示し、将来の拡張のためのモジュラー基盤を提供する。

関連論文リスト

• GraspGen: A Diffusion-based Framework for 6-DOF Grasping with On-Generator Training [53.25060512131128]
  我々は,オブジェクト中心のグリップ生成過程を反復拡散過程としてモデル化する上で,近年の成功を生かしている。 提案するフレームワークであるGraspGenは、グリップ生成を向上するDiffusion Transformerアーキテクチャで構成され、効率的な識別器と組み合わせて、サンプリングしたグリップのスコアとフィルタを行う。 GraspGenをオブジェクトとグリップの両方に拡張するために、53万以上のグリップからなるシミュレーションデータセットを新たにリリースしました。
  論文  参考訳（メタデータ） (2025-07-17T13:09:28Z)
• Lightweight Model for Poultry Disease Detection from Fecal Images Using Multi-Color Space Feature Optimization and Machine Learning [0.0]
  養鶏は世界の食糧サプライチェーンの重要な要素であるが、感染症に非常に脆弱である。 本研究では,養鶏糞のイメージを解析することにより,これらの疾患を検出するための軽量機械学習アプローチを提案する。
  論文  参考訳（メタデータ） (2025-07-14T08:40:46Z)
• Computer Vision based Automated Quantification of Agricultural Sprayers Boom Displacement [2.096542203553544]
  自走式農薬散布機を農業生産に使用する際の適用率の誤差が懸念されている。 スプラッシュブーム不安定性は、アプリケーションのエラーに対する主要な貢献者の1つである。 本研究では,各種農業用スプレー機のブーム運動を定量化するコンピュータビジョンシステムを開発した。
  論文  参考訳（メタデータ） (2025-06-24T18:30:18Z)
• RoMu4o: A Robotic Manipulation Unit For Orchard Operations Automating Proximal Hyperspectral Leaf Sensing [2.1038216828914145]
  葉レベルハイパースペクトル分光法は、表現型化、作物の健康のモニタリング、植物中の必須栄養素の同定、病気や水ストレスの検出に強力なツールであることが示されている。 この研究は、果樹園操作のためのロボット操作ユニットであるRoMu4oを紹介した。
  論文  参考訳（メタデータ） (2025-01-18T01:04:02Z)
• P-YOLOv8: Efficient and Accurate Real-Time Detection of Distracted Driving [0.0]
  引き離された運転は重大な安全上の問題であり、世界中で多くの死者と負傷につながっている。 本研究では、注意をそらされた運転行動を検出するための効率的でリアルタイムな機械学習モデルの必要性に対処する。 リアルタイムオブジェクト検出システムを導入し、速度と精度の両方に最適化する。
  論文  参考訳（メタデータ） (2024-10-21T02:56:44Z)
• Automated Classification of Dry Bean Varieties Using XGBoost and SVM Models [0.0]
  本稿では,機械学習モデルを用いた7種類の乾燥豆の自動分類について比較検討する。 XGBoostとSVMのモデルはそれぞれ94.00%と94.39%の正確な分類率を達成した。 本研究は, 種子品質制御と収量最適化を効果的に支援できることを実証し, 精密農業への取り組みの活発化に寄与する。
  論文  参考訳（メタデータ） (2024-08-02T13:05:33Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Visual-tactile sensing for Real-time liquid Volume Estimation in Grasping [58.50342759993186]
  変形性容器内の液体をリアルタイムに推定するためのビジュオ触覚モデルを提案する。 我々は、RGBカメラからの生の視覚入力と、特定の触覚センサーからの触覚手がかりの2つの感覚モードを融合する。 ロボットシステムは、推定モデルに基づいて、リアルタイムで適切に制御され、調整される。
  論文  参考訳（メタデータ） (2022-02-23T13:38:31Z)
• Block Pruning For Faster Transformers [89.70392810063247]
  小型モデルと高速モデルの両方を対象としたブロックプルーニング手法を提案する。 このアプローチは、アテンションヘッドのような基盤となるモデルの完全なコンポーネントを抽出することを学ぶ。
  論文  参考訳（メタデータ） (2021-09-10T12:46:32Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。