論文の概要: In-Field Mapping of Grape Yield and Quality with Illumination-Invariant Deep Learning
- arxiv url: http://arxiv.org/abs/2510.04864v1
- Date: Mon, 06 Oct 2025 14:51:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-07 16:52:59.913886
- Title: In-Field Mapping of Grape Yield and Quality with Illumination-Invariant Deep Learning
- Title（参考訳）: 照明不変深層学習によるグレープ収量と品質の現地マッピング
- Authors: Ciem Cornelissen, Sander De Coninck, Axel Willekens, Sam Leroux, Pieter Simoens,
- Abstract要約: 本稿では, ブドウの収量と品質の非破壊的, リアルタイム, 空間的に解決されたマッピングのための, エンドツーエンドのIoT対応ロボットシステムを提案する。
このシステムは、2つの重要なモジュールを統合した包括的な分析パイプラインを備えている。ブドウの塊の検出と重量推定のための高性能モデルと、ハイパースペクトル(HSI)データによる品質評価のための新しいディープラーニングフレームワークである。
- 参考スコア（独自算出の注目度）: 8.230368370118752
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents an end-to-end, IoT-enabled robotic system for the non-destructive, real-time, and spatially-resolved mapping of grape yield and quality (Brix, Acidity) in vineyards. The system features a comprehensive analytical pipeline that integrates two key modules: a high-performance model for grape bunch detection and weight estimation, and a novel deep learning framework for quality assessment from hyperspectral (HSI) data. A critical barrier to in-field HSI is the ``domain shift" caused by variable illumination. To overcome this, our quality assessment is powered by the Light-Invariant Spectral Autoencoder (LISA), a domain-adversarial framework that learns illumination-invariant features from uncalibrated data. We validated the system's robustness on a purpose-built HSI dataset spanning three distinct illumination domains: controlled artificial lighting (lab), and variable natural sunlight captured in the morning and afternoon. Results show the complete pipeline achieves a recall (0.82) for bunch detection and a $R^2$ (0.76) for weight prediction, while the LISA module improves quality prediction generalization by over 20% compared to the baselines. By combining these robust modules, the system successfully generates high-resolution, georeferenced data of both grape yield and quality, providing actionable, data-driven insights for precision viticulture.
- Abstract（参考訳）: 本稿では, ブドウの収量と品質(Brix, Acidity)の非破壊的, リアルタイム, 空間分解型マッピングのための, エンドツーエンドのIoT対応ロボットシステムを提案する。
このシステムは、2つの重要なモジュールを統合した包括的な分析パイプラインを備えている。ブドウの塊の検出と重量推定のための高性能モデルと、ハイパースペクトル(HSI)データによる品質評価のための新しいディープラーニングフレームワークである。
フィールド内HSIにとって重要な障壁は、可変照明によって引き起こされる‘ドメインシフト’である。
これを解決するために、我々の品質評価は、未校正データから照度不変の特徴を学習するドメイン・アドバイザリー・フレームワークであるLight-Invariant Spectral Autoencoder (LISA)を利用している。
我々は、制御された人工照明(lab)と、朝と午後に捉えた可変自然日光という3つの異なる照明領域にまたがる目的に構築されたHSIデータセット上で、システムの堅牢性を検証した。
その結果、完全なパイプラインは束検出のためのリコール(0.82)と重量予測のためのR^2$(0.76)を達成し、LISAモジュールはベースラインと比較して品質予測の一般化を20%以上改善した。
これらの頑丈なモジュールを組み合わせることで、このシステムはブドウの収量と品質の両方の高解像度なジオレファレンスなデータを生成し、精度の高いブドウ栽培のための実用的なデータ駆動の洞察を提供する。
関連論文リスト
- NatureGAIA: Pushing the Frontiers of GUI Agents with a Challenging Benchmark and High-Quality Trajectory Dataset [16.676904484703]
本稿ではCausal Pathwaysの原理に基づく新しいベンチマークであるNaturalGAIAを紹介する。
このパラダイムは複雑なタスクを検証可能な一連の原子ステップに構造化し、厳密で完全に自動化され、再現可能な評価基準を保証する。
次に、このデータセットを用いて、Q2.5-VL-7Bモデル上でReinforcement FineTuning(RFT)を行う。
論文 参考訳（メタデータ） (2025-08-02T11:53:41Z) - AugmentGest: Can Random Data Cropping Augmentation Boost Gesture Recognition Performance? [49.64902130083662]
本稿では、幾何変換、ランダム変動、回転、ズーム、強度に基づく変換を統合する包括的データ拡張フレームワークを提案する。
提案手法は,マルチストリームe2eET,FPPRポイントクラウドベースハンドジェスチャ認識(HGR),DD-Networkの3つのモデルで評価される。
論文 参考訳（メタデータ） (2025-06-08T16:43:05Z) - Exploring Model Quantization in GenAI-based Image Inpainting and Detection of Arable Plants [0.0]
安定ディフュージョンベースのインペインティングを利用して、10%のインクリメントでトレーニングデータを段階的に増加させ、最大200%まで増やすフレームワークを提案する。
本手法は,mAP50測定値を用いて,最先端物体検出モデルであるYOLO11(l)とRT-DETR(l)の2つを用いて評価を行った。
Jetson Orin Nano上での下流モデルの展開は、リソース制約のある環境での我々のフレームワークの実用可能性を示す。
論文 参考訳（メタデータ） (2025-03-04T09:05:01Z) - LIR-LIVO: A Lightweight,Robust LiDAR/Vision/Inertial Odometry with Illumination-Resilient Deep Features [8.095827028713684]
提案手法は、深層学習に基づく照明耐性特徴とLIVO(LiDAR-Inertial-Visual Odometry)を利用する。
LIR-LIVOは、高い計算コストで最先端(SOTA)の精度と堅牢性を達成する。
論文 参考訳（メタデータ） (2025-02-12T05:28:10Z) - Optical aberrations in autonomous driving: Physics-informed parameterized temperature scaling for neural network uncertainty calibration [49.03824084306578]
本稿では,ニューラルネットワークのキャリブレーションアーキテクチャに物理的帰納バイアスを組み込むことにより,AIターゲットアプリケーションの堅牢性と信頼性を高めることを提案する。
信頼に値する不確実性表現と認識連鎖の総合的検証戦略の道を開く。
論文 参考訳（メタデータ） (2024-12-18T10:36:46Z) - No-Reference Image Quality Assessment with Global-Local Progressive Integration and Semantic-Aligned Quality Transfer [6.095342999639137]
視覚変換器(ViT)を用いたグローバル特徴抽出器と畳み込みニューラルネットワーク(CNN)を用いた局所特徴抽出器を組み合わせた二重測定フレームワークを開発した。
多様な画像コンテンツの品質スコアを主観的な意見スコアで自動的にラベル付けすることで、トレーニングデータを拡張するセマンティック・アライン・クオリティ・トランスファー手法を提案する。
論文 参考訳（メタデータ） (2024-08-07T16:34:32Z) - Incorporating Degradation Estimation in Light Field Spatial Super-Resolution [54.603510192725786]
本稿では,多種多様な劣化型を扱うために,明示的な劣化推定を組み込んだ効果的なブラインド光場SR法LF-DESTを提案する。
ベンチマークデータセットに対する広範な実験を行い、光場SRにおける様々な劣化シナリオにおいてLF-DESTが優れた性能を発揮することを示した。
論文 参考訳（メタデータ） (2024-05-11T13:14:43Z) - G-Refine: A General Quality Refiner for Text-to-Image Generation [74.16137826891827]
G-Refineは,高画質画像の整合性を損なうことなく,低画質画像の高精細化を図った汎用画像精細機である。
このモデルは、知覚品質指標、アライメント品質指標、一般的な品質向上モジュールの3つの相互接続モジュールで構成されている。
大規模な実験により、G-Refine以降のAIGIは、4つのデータベースで10以上の品質指標でパフォーマンスが向上していることが明らかになった。
論文 参考訳（メタデータ） (2024-04-29T00:54:38Z) - HDNet: High-resolution Dual-domain Learning for Spectral Compressive
Imaging [138.04956118993934]
HSI再構成のための高分解能デュアルドメイン学習ネットワーク(HDNet)を提案する。
一方、高効率な特徴融合によるHR空間スペクトルアテンションモジュールは、連続的かつ微細な画素レベルの特徴を提供する。
一方、HSI再構成のために周波数領域学習(FDL)を導入し、周波数領域の差を狭める。
論文 参考訳（メタデータ） (2022-03-04T06:37:45Z) - Automatic Visual Inspection of Rare Defects: A Framework based on
GP-WGAN and Enhanced Faster R-CNN [0.0]
本稿では,自動視覚検査(AVI)システムの2段階故障診断フレームワークを提案する。
第1段階では、実サンプルに基づいて新しいサンプルを合成する生成モデルが設計されている。
提案アルゴリズムは,実際のサンプルからオブジェクトを抽出し,ランダムにブレンドし,新しいサンプルを生成し,画像処理の性能を向上させる。
論文 参考訳（メタデータ） (2021-05-02T11:34:59Z)
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。