Fugu-MT 論文翻訳(概要): SmartDate: AI-Driven Precision Sorting and Quality Control in Date Fruits

論文の概要: SmartDate: AI-Driven Precision Sorting and Quality Control in Date Fruits

arxiv url: http://arxiv.org/abs/2508.00921v1
Date: Wed, 30 Jul 2025 03:20:44 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-05 18:25:21.625203
Title: SmartDate: AI-Driven Precision Sorting and Quality Control in Date Fruits
Title（参考訳）: SmartDate:AI駆動の高精度ソートと日用品の品質管理
Authors: Khaled Eskaf,
Abstract要約: SmartDateはAIを利用した、日付の果物の自動ソートと品質管理のためのシステムだ。ディープラーニング、遺伝的アルゴリズム、強化学習を組み合わせて、分類精度を改善し、棚の寿命を予測する。 SmartDateの精度は94.5パーセント、F1スコアは93.1%、AUC-ROCは0.96である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: SmartDate is an AI-powered system for automated sorting and quality control of date fruits. It combines deep learning, genetic algorithms, and reinforcement learning to improve classification accuracy and predict shelf life. The system uses high-resolution imaging and Visible-Near-Infrared (VisNIR) spectral sensors to evaluate key features such as moisture, sugar content, and texture. Reinforcement learning enables real-time adaptation to production conditions, while genetic algorithms optimize model parameters. SmartDate achieved 94.5 percent accuracy, 93.1 percent F1-score, and an AUC-ROC of 0.96. The system reduces waste and ensures that only high-quality dates reach the market, setting a new benchmark in smart agriculture.
Abstract（参考訳）: SmartDateはAIを利用した、日付の果物の自動ソートと品質管理のためのシステムだ。ディープラーニング、遺伝的アルゴリズム、強化学習を組み合わせて、分類精度を改善し、棚の寿命を予測する。このシステムは高解像度イメージングとVisible-Near-Infrared (VisNIR)スペクトルセンサーを使用して、水分、糖分、テクスチャなどの重要な特徴を評価する。強化学習は生産条件へのリアルタイム適応を可能にし、遺伝的アルゴリズムはモデルパラメータを最適化する。 SmartDateの精度は94.5パーセント、F1スコアは93.1%、AUC-ROCは0.96である。このシステムは無駄を減らし、高品質な日付だけが市場に届くことを保証する。

関連論文リスト

Enhancing Software Quality Assurance with an Adaptive Differential Evolution based Quantum Variational Autoencoder-Transformer Model [0.0]
我々は適応微分進化に基づく量子変分オートエンコーダ変換モデル(ADE-QVAET)を開発した。 ADE-QVAETは、QVAET(Quantum Variational Autoencoder-Transformer)を組み合わせることで、高次元の潜伏特性を取得し、コンテキスト関係とともにシーケンシャルな依存関係を維持する。提案されたADE-QVAETモデルは、トレーニングパーセンテージ(TP)90の98.08%、92.45%、94.67%、98.12%の精度、精度、リコール、f1スコアを達成する。
論文参考訳（メタデータ） (2025-03-20T16:55:38Z)
Artificial Liver Classifier: A New Alternative to Conventional Machine Learning Models [4.395397502990339]
本稿では,ヒト肝臓の解毒機能に触発された新しい教師付き学習分類器であるArtificial Liver(ALC)を紹介する。 ALCの特徴は、その単純さ、速度、ハイパーパラメータフリー、オーバーフィッティングを減らす能力、そして多重分類問題に対処する効果である。 Iris Flower、Breast Cancer Wisconsin、Wine、Voice Gender、MNISTの5つのベンチマーク機械学習データセットで評価された。
論文参考訳（メタデータ） (2025-01-14T12:42:01Z)
A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。工業画像から抽出した55個の特徴を統計的手法を用いて解析した。これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文参考訳（メタデータ） (2024-12-11T22:12:21Z)
Automated Defect Detection and Grading of Piarom Dates Using Deep Learning [0.0]
本稿では,ピアロム日付のリアルタイム検出・分類・評価に特化して設計された,革新的なディープラーニングフレームワークを提案する。我々のフレームワークは、最先端のオブジェクト検出アルゴリズムと畳み込みニューラルネットワーク(CNN)を統合し、欠陥同定の高精度化を実現している。実験の結果,既存の手法よりも精度と計算効率が優れていた。
論文参考訳（メタデータ） (2024-10-23T18:25:20Z)
Self-Steering Optimization: Autonomous Preference Optimization for Large Language Models [79.84205827056907]
本稿では,高品質な嗜好データを自律的に生成するアルゴリズムであるセルフステアリング最適化(SSO$)を提案する。 $SSO$は、ポリシーモデル自体からデータジェネレータを構築するために、特別な最適化目標を採用しています。評価の結果,$SSO$は人選好アライメントと報酬最適化のベースラインを一貫して上回っていることがわかった。
論文参考訳（メタデータ） (2024-10-22T16:04:03Z)
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)
Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
論文参考訳（メタデータ） (2023-12-11T06:50:27Z)
Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-08T05:44:06Z)
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)
Fair Feature Subset Selection using Multiobjective Genetic Algorithm [0.0]
フェアネスと精度を両立させる特徴部分選択手法を提案する。モデル性能の指標としてF1-Scoreを用いる。最も一般的なフェアネスベンチマークデータセットの実験では、進化的アルゴリズムを用いることで、フェアネスと精度のトレードオフを効果的に探索できることが示されている。
論文参考訳（メタデータ） (2022-04-30T22:51:19Z)
Stress-Testing LiDAR Registration [52.24383388306149]
本稿では,LiDARデータセットからフレームペアの挑戦的集合である平衡登録集合を選択する手法を提案する。おそらく予想外のことに、最も高速かつ同時に正確なアプローチは、先進RANSACのバージョンであることがわかった。
論文参考訳（メタデータ） (2022-04-16T05:10:55Z)
Task-Specific Normalization for Continual Learning of Blind Image Quality Models [105.03239956378465]
視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
論文参考訳（メタデータ） (2021-07-28T15:21:01Z)

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。