論文の概要: Cott-ADNet: Lightweight Real-Time Cotton Boll and Flower Detection Under Field Conditions

• arxiv url: http://arxiv.org/abs/2509.12442v1
• Date: Mon, 15 Sep 2025 20:50:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.759093
• Title: Cott-ADNet: Lightweight Real-Time Cotton Boll and Flower Detection Under Field Conditions
• Title（参考訳）: Cott-ADNet:軽量リアルタイムコットンボルトとフィールド条件によるフラワー検出
• Authors: Rui-Feng Wang, Mingrui Xu, Matthew C Bauer, Iago Beffart Schardong, Xiaowen Ma, Kangning Cui,
• Abstract要約: Cott-ADNetは、複雑なフィールド条件下での綿棒や花の認識に適した軽量リアルタイム検出器である。 YOLOv11n上に構築されたCott-ADNetは、畳み込み設計の改善を通じて空間表現とロバスト性を向上させる。 実験の結果、Cott-ADNetは91.5%の精度、89.8%のリコール、93.3%のmAP50、71.3%のmAP、90.6%のF1スコアを達成した。
• 参考スコア（独自算出の注目度）: 2.924203615782323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cotton is one of the most important natural fiber crops worldwide, yet harvesting remains limited by labor-intensive manual picking, low efficiency, and yield losses from missing the optimal harvest window. Accurate recognition of cotton bolls and their maturity is therefore essential for automation, yield estimation, and breeding research. We propose Cott-ADNet, a lightweight real-time detector tailored to cotton boll and flower recognition under complex field conditions. Building on YOLOv11n, Cott-ADNet enhances spatial representation and robustness through improved convolutional designs, while introducing two new modules: a NeLU-enhanced Global Attention Mechanism to better capture weak and low-contrast features, and a Dilated Receptive Field SPPF to expand receptive fields for more effective multi-scale context modeling at low computational cost. We curate a labeled dataset of 4,966 images, and release an external validation set of 1,216 field images to support future research. Experiments show that Cott-ADNet achieves 91.5% Precision, 89.8% Recall, 93.3% mAP50, 71.3% mAP, and 90.6% F1-Score with only 7.5 GFLOPs, maintaining stable performance under multi-scale and rotational variations. These results demonstrate Cott-ADNet as an accurate and efficient solution for in-field deployment, and thus provide a reliable basis for automated cotton harvesting and high-throughput phenotypic analysis. Code and dataset is available at https://github.com/SweefongWong/Cott-ADNet.
• Abstract（参考訳）: 綿花は世界中で最も重要な天然繊維作物の1つであるが、収穫は労働集約的な手作業による収穫、低効率、最適な収穫窓の欠如による収穫損失によって制限されている。 綿棒の正確な認識とその成熟度は、自動化、収量推定、繁殖研究に不可欠である。 複雑なフィールド条件下での綿棒や花の認識に適した軽量リアルタイム検出器であるCott-ADNetを提案する。 YOLOv11n上に構築されたCott-ADNetは、畳み込み設計の改善を通じて空間表現とロバスト性を向上し、また、弱さと低コントラスト特徴をよりよく捉えるNeLU拡張グローバルアテンション機構と、より効率的なマルチスケールコンテキストモデリングのための受容場を低コストで拡張するDilated Receptive Field SPPFという2つの新しいモジュールを導入した。 ラベル付き4,966個の画像のデータセットをキュレートし、1,216個のフィールド画像の外部検証セットをリリースし、今後の研究を支援する。 実験の結果、Cott-ADNetは91.5%の精度、89.8%のリコール、93.3%のmAP50、71.3%のmAP、90.6%のF1スコアを7.5 GFLOPで達成し、マルチスケールとローテーションの変動下で安定した性能を維持した。 これらの結果から,Cott-ADNetは,綿の自動収穫と高スループット表現型解析のための信頼性の高い基盤を提供する。 コードとデータセットはhttps://github.com/SweefongWong/Cott-ADNet.orgで公開されている。

関連論文リスト

• AgroSense: An Integrated Deep Learning System for Crop Recommendation via Soil Image Analysis and Nutrient Profiling [0.9974630621313314]
  AgroSenseは、土壌画像の分類と栄養素のプロファイリングを統合して、正確で文脈的に関係のある作物のレコメンデーションを生成するディープラーニングフレームワークである。 公開されているKaggleリポジトリから抽出された10,000対のサンプルのマルチモーダルデータセットがキュレートされた。 融合モデルは精度98.0%、精度97.8%、リコール97.7%、F1スコア96.75%である。
  論文  参考訳（メタデータ） (2025-09-01T10:25:05Z)
• Precise Information Control in Long-Form Text Generation [92.88653652694838]
  現代言語モデル(LM)における中心的な課題は、固有の幻覚である。 提案手法は,短時間の自己完結文のセットで与えられた長文の出力をモデルで生成することを必要とするタスクの定式化である。 提案するPIC-Benchは,PIC設定に適合する8つの長文生成タスクのベンチマークである。 PIC-Bench 上でのオープンかつプロプライエタリな LM の評価は、驚くべきことに、最先端の LM が 70% 以上も内在的に幻覚していることを示している。
  論文  参考訳（メタデータ） (2025-06-06T23:42:42Z)
• Involution-Infused DenseNet with Two-Step Compression for Resource-Efficient Plant Disease Classification [0.0]
  本研究では,重み付けと知識蒸留を統合した2段階モデル圧縮手法を提案する。 その結果、ResNet50sは、PandVillageとPaddyLeafのデータセットで99.55%と98.99%の精度を達成した。
  論文  参考訳（メタデータ） (2025-05-31T22:43:23Z)
• 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)
• Improved Cotton Leaf Disease Classification Using Parameter-Efficient Deep Learning Framework [0.0]
  綿花は「白金」と呼ばれ、重要な生産課題に直面している。 この課題に対処するために、ディープラーニングと機械学習の技術が研究されている。 我々はMobileNetからトレーニング可能なレイヤのサブセットを統合する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。
  論文  参考訳（メタデータ） (2024-12-23T14:01:10Z)
• KonvLiNA: Integrating Kolmogorov-Arnold Network with Linear Nyström Attention for feature fusion in Crop Field Detection [0.0]
  本研究では,コンボリュータル・コルモゴロフ・アルノルドネットワーク(cKAN)とNystr"om attention mechanismを統合した新しいフレームワークであるKonvLiNAを紹介した。
  論文  参考訳（メタデータ） (2024-08-23T15:33:07Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• Patch-Level Contrasting without Patch Correspondence for Accurate and Dense Contrastive Representation Learning [79.43940012723539]
  ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。 提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-23T07:38:09Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)
• 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。