論文の概要: DragonFruitQualityNet: A Lightweight Convolutional Neural Network for Real-Time Dragon Fruit Quality Inspection on Mobile Devices
- arxiv url: http://arxiv.org/abs/2508.07306v1
- Date: Sun, 10 Aug 2025 11:41:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:28.802067
- Title: DragonFruitQualityNet: A Lightweight Convolutional Neural Network for Real-Time Dragon Fruit Quality Inspection on Mobile Devices
- Title（参考訳）: DragonFruitQualityNet: モバイルデバイスにおけるリアルタイムDragon Fruit品質検査のための軽量畳み込みニューラルネットワーク
- Authors: Md Zahurul Haquea, Yeahyea Sarker, Muhammed Farhan Sadique Mahi, Syed Jubayer Jaman, Md Robiul Islam,
- Abstract要約: 本研究では,DragonFruitQualityNetを提案する。DragonFruitQualityNetは,モバイルデバイス上でのドラゴン果実のリアルタイム品質評価に最適化された軽量畳み込みニューラルネットワーク(CNN)である。
我々は13,789枚の画像の多種多様なデータセットをキュレートし、自己収集したサンプルを公開データセット(メンデレーデータからのデータ)と統合し、それらを4つのカテゴリ(新鮮、未熟、未熟、未熟、欠陥)に分類した。
提案モデルでは93.98%の精度を達成し,果実品質分類における既存手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 1.168410994567849
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dragon fruit, renowned for its nutritional benefits and economic value, has experienced rising global demand due to its affordability and local availability. As dragon fruit cultivation expands, efficient pre- and post-harvest quality inspection has become essential for improving agricultural productivity and minimizing post-harvest losses. This study presents DragonFruitQualityNet, a lightweight Convolutional Neural Network (CNN) optimized for real-time quality assessment of dragon fruits on mobile devices. We curated a diverse dataset of 13,789 images, integrating self-collected samples with public datasets (dataset from Mendeley Data), and classified them into four categories: fresh, immature, mature, and defective fruits to ensure robust model training. The proposed model achieves an impressive 93.98% accuracy, outperforming existing methods in fruit quality classification. To facilitate practical adoption, we embedded the model into an intuitive mobile application, enabling farmers and agricultural stakeholders to conduct on-device, real-time quality inspections. This research provides an accurate, efficient, and scalable AI-driven solution for dragon fruit quality control, supporting digital agriculture and empowering smallholder farmers with accessible technology. By bridging the gap between research and real-world application, our work advances post-harvest management and promotes sustainable farming practices.
- Abstract（参考訳）: ドラゴンフルーツは、栄養効果と経済的価値で知られており、手頃な価格と地域的可用性のために世界的な需要が高まっている。
ドラゴン果実の栽培が拡大するにつれて、農業生産性の向上と収穫後の損失を最小限に抑えるために、効率的なプレハーベストとポストハーベストの品質検査が不可欠になっている。
本研究では,DragonFruitQualityNetを提案する。DragonFruitQualityNetは,モバイルデバイス上でのドラゴン果実のリアルタイム品質評価に最適化された軽量畳み込みニューラルネットワーク(CNN)である。
我々は13,789枚の画像の多種多様なデータセットをキュレートし、自己収集したサンプルを公開データセット(Mendley Dataのデータセット)と統合し、それらを4つのカテゴリ(新鮮、未熟、未熟、成熟、欠陥)に分類し、堅牢なモデルトレーニングを確実にした。
提案モデルでは93.98%の精度を達成し,果実品質分類における既存手法よりも優れていた。
そこで我々は,このモデルを直感的なモバイルアプリケーションに組み込み,農家や農業の利害関係者がデバイス上でリアルタイムな品質検査を行えるようにした。
この研究は、ドラゴン果実の品質管理のための正確で効率的でスケーラブルなAI駆動ソリューションを提供する。
研究と現実の応用のギャップを埋めることによって、我々の仕事は、収穫後の管理を進め、持続可能な農業の実践を促進する。
関連論文リスト
- AI in Agriculture: A Survey of Deep Learning Techniques for Crops, Fisheries and Livestock [77.95897723270453]
作物、漁業、家畜が世界の食料生産のバックボーンを形成し、成長を続ける世界の人口を養うのに不可欠である。
これらの問題に対処するには、効率的で正確でスケーラブルな技術ソリューションが必要であり、人工知能(AI)の重要性を強調している。
本調査では,従来の機械学習アプローチ,高度なディープラーニング技術,最新のビジョン言語基礎モデルなど,200以上の研究成果を体系的かつ徹底的にレビューする。
論文 参考訳（メタデータ） (2025-07-29T17:59:48Z) - Design and Implementation of FourCropNet: A CNN-Based System for Efficient Multi-Crop Disease Detection and Management [3.4161054453684705]
本研究では,複数の作物の病原体を検出するための新しいディープラーニングモデルであるFourCropNetを提案する。
FourCropNetは、Grapeの99.7%、Cornの99.5%、組み合わせたデータセットの95.3%の最高精度を達成した。
論文 参考訳（メタデータ） (2025-03-11T12:00:56Z) - MetaFruit Meets Foundation Models: Leveraging a Comprehensive Multi-Fruit Dataset for Advancing Agricultural Foundation Models [10.11552909915055]
今回紹介するMetaFruitは,4,248のイメージと248,015のラベル付きインスタンスからなる,公開可能な最大規模のマルチクラスフルーツデータセットである。
本研究では, 先進的ビジョン基礎モデル(VFM)を応用したオープンセット果実検出システムを提案する。
論文 参考訳（メタデータ） (2024-05-14T00:13:47Z) - Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。
我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
論文 参考訳（メタデータ） (2024-03-27T08:42:47Z) - 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) - Fruit Quality Assessment with Densely Connected Convolutional Neural
Network [0.0]
我々はDensely Connected Convolutional Neural Networks(DenseNets)の概念を果物の品質評価に活用した。
提案されたパイプラインは99.67%の精度を達成した。
さらに,同モデルが同様の性能を示す果実分類および品質評価タスクにおいて,モデルの堅牢性をさらに検証した。
論文 参考訳（メタデータ） (2022-12-08T13:11:47Z) - 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) - 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) - Generative Adversarial Networks for Image Augmentation in Agriculture: A
Systematic Review [5.639656362091594]
2014年にコンピュータビジョンコミュニティで発明されたGAN(Generative Adversarial Network)は、優れたデータ表現を学習できる新しいアプローチスイートを提供する。
本稿では, GAN アーキテクチャの進化を概観するとともに, 農業への導入を体系的に検討する。
論文 参考訳（メタデータ） (2022-04-10T15:33:05Z) - Vision Transformers For Weeds and Crops Classification Of High
Resolution UAV Images [3.1083892213758104]
ビジョントランスフォーマー(ViT)モデルは、畳み込み操作を適用することなく、競争またはより良い結果を達成することができる。
実験の結果,ラベル付きトレーニングデータでは,最新のCNNモデルと比較して,ViTモデルの方が優れていた。
論文 参考訳（メタデータ） (2021-09-06T19:58:54Z)
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。