論文の概要: FruitProm: Probabilistic Maturity Estimation and Detection of Fruits and Vegetables

• arxiv url: http://arxiv.org/abs/2510.24885v1
• Date: Tue, 28 Oct 2025 18:39:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.693735
• Title: FruitProm: Probabilistic Maturity Estimation and Detection of Fruits and Vegetables
• Title（参考訳）: FruitProm: 果実・野菜の確率的成熟度推定と検出
• Authors: Sidharth Rai, Rahul Harsha Cheppally, Benjamin Vail, Keziban Yalçın Dokumacı, Ajay Sharda,
• Abstract要約: 果実や野菜の成熟度推定は農業の自動化にとって重要な課題であり、収穫予測やロボット収穫に直接影響を及ぼす。 現在のディープラーニングアプローチは、成熟度を個別の分類問題(例えば、未熟、熟、過熟)として主に扱う。 本稿では,現在最先端のリアルタイム物体検出器RT-DETRv2に,専用の確率的頭部を導入することで,新たなアーキテクチャ変更を提案する。 このヘッドは、検出対象ごとの成熟度スペクトルの連続分布を予測し、同時に平均成熟度状態とその関連する不確かさを学習する。
• 参考スコア（独自算出の注目度）: 0.4824146370043408
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Maturity estimation of fruits and vegetables is a critical task for agricultural automation, directly impacting yield prediction and robotic harvesting. Current deep learning approaches predominantly treat maturity as a discrete classification problem (e.g., unripe, ripe, overripe). This rigid formulation, however, fundamentally conflicts with the continuous nature of the biological ripening process, leading to information loss and ambiguous class boundaries. In this paper, we challenge this paradigm by reframing maturity estimation as a continuous, probabilistic learning task. We propose a novel architectural modification to the state-of-the-art, real-time object detector, RT-DETRv2, by introducing a dedicated probabilistic head. This head enables the model to predict a continuous distribution over the maturity spectrum for each detected object, simultaneously learning the mean maturity state and its associated uncertainty. This uncertainty measure is crucial for downstream decision-making in robotics, providing a confidence score for tasks like selective harvesting. Our model not only provides a far richer and more biologically plausible representation of plant maturity but also maintains exceptional detection performance, achieving a mean Average Precision (mAP) of 85.6\% on a challenging, large-scale fruit dataset. We demonstrate through extensive experiments that our probabilistic approach offers more granular and accurate maturity assessments than its classification-based counterparts, paving the way for more intelligent, uncertainty-aware automated systems in modern agriculture
• Abstract（参考訳）: 果実や野菜の成熟度推定は農業の自動化にとって重要な課題であり、収穫予測やロボット収穫に直接影響を及ぼす。 現在のディープラーニングアプローチは、成熟度を個別の分類問題(例えば、未熟、熟、熟、過熟)として主に扱う。 しかし、この厳密な定式化は、基本的に生物学的熟成過程の連続的な性質と矛盾し、情報損失と曖昧なクラス境界をもたらす。 本稿では,成熟度推定を連続的確率論的学習課題として再検討することで,このパラダイムに挑戦する。 本稿では,現在最先端のリアルタイム物体検出器RT-DETRv2に,専用の確率的頭部を導入することで,新たなアーキテクチャ変更を提案する。 このヘッドは、検出対象ごとの成熟度スペクトルの連続分布を予測し、同時に平均成熟度状態とその関連する不確かさを学習する。 この不確実性対策は、ロボット工学における下流での意思決定に不可欠であり、選択収穫のようなタスクの信頼性スコアを提供する。 我々のモデルは、植物成熟度をより豊かで生物学的に妥当な表現を提供するだけでなく、例外的な検出性能も維持し、挑戦的かつ大規模な果実データセット上で平均平均精度(mAP)85.6\%を達成する。 我々は、我々の確率論的アプローチが、その分類に基づくアプローチよりもよりきめ細やかで正確な成熟度評価を提供し、近代農業におけるよりインテリジェントで不確実性に敏感な自動化システムを実現することを実証した。

関連論文リスト

• Raspberry PhenoSet: A Phenology-based Dataset for Automated Growth Detection and Yield Estimation [1.2661567777618703]
  7つの発達段階にまたがるラズベリー果実の検出とセグメンテーションのための表現学ベースのデータセットであるRaspberry PhenoSetを紹介した。 このデータセットには1,853枚の高解像度画像が含まれており、これは文学の中で最高品質であり、垂直農場で制御された人工照明の下で撮影された。 YOLOv8, YOLOv10, RT-DETR, Mask R-CNNなど,最先端のディープラーニングモデルをベンチマークして, データセットのパフォーマンスを総合的に評価した。
  論文  参考訳（メタデータ） (2024-11-01T18:34:26Z)
• Uncertainty-boosted Robust Video Activity Anticipation [72.14155465769201]
  ビデオアクティビティの予測は、ロボットビジョンから自動運転まで幅広い応用可能性を受け入れることで、将来何が起こるかを予測することを目的としている。 近年の進展にもかかわらず、コンテンツ進化過程やイベントラベルの動的相関として反映されたデータ不確実性問題は、何らかの形で無視されている。 本研究では,予測結果の信頼性を示す不確実な値を生成する,不確実性を考慮した頑健なビデオアクティビティ予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-29T12:31:38Z)
• Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
  データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。 昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。 本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-03T20:37:55Z)
• Fruit Ripeness Classification: a Survey [59.11160990637616]
  食品を格付けするための特徴記述子を多用する多くの自動的手法が提案されている。 機械学習とディープラーニング技術がトップパフォーマンスの手法を支配している。 ディープラーニングは生のデータで操作できるため、複雑なエンジニアリング機能を計算する必要がなくなる。
  論文  参考訳（メタデータ） (2022-12-29T19:32:20Z)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• Masked prediction tasks: a parameter identifiability view [49.533046139235466]
  マスク付きトークンの予測に広く用いられている自己教師型学習手法に着目する。 いくつかの予測タスクは識別可能性をもたらすが、他のタスクはそうではない。
  論文  参考訳（メタデータ） (2022-02-18T17:09:32Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Self-supervised Representation Learning for Reliable Robotic Monitoring of Fruit Anomalies [4.530678016396477]
  最先端の強化手法は、典型的な画像上に焦点対象の構造的特異性を任意に埋め込む。 このような構造に敏感な表現を学習することは、いくつかの異常なクラスに対する最適でないアプローチである、と我々は主張する。 ニューラルネットワークモデルに「カラー不規則性」の符号化を学習するための新しいデータ拡張手法としてチャネルランダム化を提案する。
  論文  参考訳（メタデータ） (2021-09-21T12:41:02Z)
• Heterogeneous-Agent Trajectory Forecasting Incorporating Class Uncertainty [54.88405167739227]
  本稿では,エージェントのクラス確率を明示的に組み込んだヘテロジニアスエージェント軌道予測手法であるHAICUを提案する。 さらに,新たな挑戦的な実世界の自動運転データセットであるpupも紹介する。 軌道予測にクラス確率を組み込むことで,不確実性に直面した性能が著しく向上することを示す。
  論文  参考訳（メタデータ） (2021-04-26T10:28:34Z)
• High-Throughput Image-Based Plant Stand Count Estimation Using Convolutional Neural Networks [23.67862313758282]
  早期の表現学的段階における画像ベースコーンスタンド数に対するディープラーニングに基づくアプローチであるDeepStandを提案する。 提案手法はトウモロコシの立ち位置を計測し,他の最先端の方法よりも優れる。
  論文  参考訳（メタデータ） (2020-10-23T17:28:29Z)

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。