論文の概要: Development and Validation of a Low-Cost Imaging System for Seedling Germination Kinetics through Time-Cumulative Analysis

• arxiv url: http://arxiv.org/abs/2510.05668v1
• Date: Tue, 07 Oct 2025 08:26:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.156372
• Title: Development and Validation of a Low-Cost Imaging System for Seedling Germination Kinetics through Time-Cumulative Analysis
• Title（参考訳）: 時間-累積解析による実生発芽動態の低速度イメージングシステムの開発と検証
• Authors: M. Torrente, A. Follador, A. Calcante, P. Casati, R. Oberti,
• Abstract要約: 本研究では,R. solani接種がLactuca sativa L. 種子の発芽と初期発生に及ぼす効果について,低コストで画像ベースのモニタリングシステムを用いて検討した。 結果,R. solani感染は発芽率と初期苗活力を大幅に低下させることが明らかとなった。
• 参考スコア（独自算出の注目度）: 1.570530789849319
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The study investigates the effects of R. solani inoculation on the germination and early development of Lactuca sativa L. seeds using a low-cost, image-based monitoring system. Multiple cameras were deployed to continuously capture images of the germination process in both infected and control groups. The objective was to assess the impact of the pathogen by analyzing germination dynamics and growth over time. To achieve this, a novel image analysis pipeline was developed. The algorithm integrates both morphological and spatial features to identify and quantify individual seedlings, even under complex conditions where traditional image analyses fails. A key innovation of the method lies in its temporal integration: each analysis step considers not only the current status but also their developmental across prior time points. This approach enables robust discrimination of individual seedlings, especially when overlapping leaves significantly hinder object separation. The method demonstrated high accuracy in seedling counting and vigor assessment, even in challenging scenarios characterized by dense and intertwined growth. Results confirm that R. solani infection significantly reduces germination rates and early seedling vigor. The study also validates the feasibility of combining low-cost imaging hardware with advanced computational tools to obtain phenotyping data in a non-destructive and scalable manner. The temporal integration enabled accurate quantification of germinated seeds and precise determination of seedling emergence timing. This approach proved particularly effective in later stages of the experiment, where conventional segmentation techniques failed due to overlapping or intertwined seedlings, making accurate counting. The method achieved a coefficient of determination of 0.98 and a root mean square error (RMSE) of 1.12, demonstrating its robustness and reliability.
• Abstract（参考訳）: 本研究では,R. solani接種がLactuca sativa L. 種子の発芽と初期発生に及ぼす効果について,低コストで画像ベースのモニタリングシステムを用いて検討した。 複数のカメラが配置され、感染群とコントロール群の両方で発芽過程の画像が継続的に撮影された。 本研究の目的は発芽動態と時間的成長を解析することにより病原体への影響を評価することである。 そこで,新しい画像解析パイプラインを開発した。 このアルゴリズムは、従来の画像解析が失敗する複雑な条件下であっても、形態的特徴と空間的特徴を統合して、個々の苗を同定し、定量化する。 各分析ステップは、現在の状態だけでなく、以前の時間点を越えてその発達も考慮します。 このアプローチは、特に重なり合う葉がオブジェクトの分離を著しく妨げている場合、個々の苗の堅牢な識別を可能にする。 本手法は, 密生・密生を特徴とする難易度シナリオにおいても, 苗数・活力評価において高い精度を示した。 結果,R. solani感染は発芽率と初期苗活力を大幅に低下させることが明らかとなった。 この研究は、低コストの撮像ハードウェアと高度な計算ツールを組み合わせることで、非破壊的でスケーラブルな表現型データを得る可能性についても検証した。 時間的統合により発芽種子の正確な定量化と開芽時期の正確な決定が可能となった。 この手法は実験の後期において特に有効であることが証明され、従来のセグメンテーション技術は重なりあるいは絡み合った苗によって失敗し、正確な計数が可能となった。 この方法は0.98の判定係数と1.12の根平均二乗誤差(RMSE)を達成し、その堅牢性と信頼性を実証した。

関連論文リスト

• Counting with Confidence: Accurate Pest Monitoring in Water Traps [5.905721043072562]
  既存の視覚に基づく自動害虫計数研究の一般的な制限は、モデルが基底真理のデータセットに基づいて評価されるが、基底真理の欠如による計測結果の信頼性を評価することなく、現実のシナリオにデプロイされることである。 本稿では, 画像の信頼度を計測する害虫数を, 計測結果と外部環境条件に関する情報に基づいて総合的に評価する手法を提案する。 実験の結果,MSEを31.7%削減し,R2を15.2%改善した。
  論文  参考訳（メタデータ） (2025-05-19T18:01:58Z)
• Optimizing Resource Consumption in Diffusion Models through Hallucination Early Detection [87.22082662250999]
  拡散過程の開始時に不正確な世代を迅速に検出する新しいパラダイムであるHEaD(Hallucination Early Detection)を導入する。 HEaDは計算資源を節約し,生成過程を高速化して完全な画像を得ることを示す。 その結果,HEaDは2つのオブジェクトのシナリオで生成時間の最大12%を節約できることがわかった。
  論文  参考訳（メタデータ） (2024-09-16T18:00:00Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Data-driven Crop Growth Simulation on Time-varying Generated Images using Multi-conditional Generative Adversarial Networks [2.513679466277441]
  本稿では,画像予測モデルの第1段と成長推定モデル第2段からなる2段階のフレームワークを提案する。 画像予測モデルは条件付きワッサーシュタイン生成対向ネットワーク(CWGAN)である このモデルの生成元では、条件付きバッチ正規化(CBN)を使用して、入力画像と異なる条件を統合する。 これらの画像は、植物特有の形質を導出することにより植物表現の枠組みの第2部によって使用される。
  論文  参考訳（メタデータ） (2023-12-06T11:54:50Z)
• PlantPlotGAN: A Physics-Informed Generative Adversarial Network for Plant Disease Prediction [2.7409168462107347]
  リアルな植生指標を持つ合成多スペクトルプロット画像を作成することができる物理インフォームド・ジェネレーティブ・モデルであるPlanetPlotGANを提案する。 その結果, PlantPlotGANから生成された合成画像はFr'echet開始距離に関して最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-10-27T16:56:28Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• An Applied Deep Learning Approach for Estimating Soybean Relative Maturity from UAV Imagery to Aid Plant Breeding Decisions [7.4022258821325115]
  我々は,UAV画像の時系列を用いて,大豆の相対的成熟度を推定するための頑健で自動的なアプローチを開発した。 畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を組み合わせたエンドツーエンドハイブリッドモデルを提案する。 その結果,CNN-LSTMモデルの有効性を局所回帰法と比較した。
  論文  参考訳（メタデータ） (2021-08-02T14:53:58Z)
• Automatic Plant Cover Estimation with CNNs Automatic Plant Cover Estimation with Convolutional Neural Networks [8.361945776819528]
  畳み込みニューラルネットワーク(CNN)を用いて画像から関連データを自動抽出する手法について検討する。 我々は、平均絶対誤差5.16%のカスタムCNNを用いて、より高解像度の画像分解能で過去のアプローチより優れていることを発見した。 これらの調査に加えて,植物被覆画像の時間的側面に基づく誤差解析も行った。
  論文  参考訳（メタデータ） (2021-06-21T14:52:01Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)

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。