論文の概要: Deep Learning-Based Image Recognition for Soft-Shell Shrimp Classification

• arxiv url: http://arxiv.org/abs/2601.03317v1
• Date: Tue, 06 Jan 2026 13:36:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-08 18:12:46.047894
• Title: Deep Learning-Based Image Recognition for Soft-Shell Shrimp Classification
• Title（参考訳）: ソフトシェルエビ分類のための深層学習に基づく画像認識
• Authors: Yun-Hao Zhang, I-Hsien Ting, Dario Liberona, Yun-Hsiu Liu, Kazunori Minetaki,
• Abstract要約: エビをベースとした加工食品では、鮮度は収穫後急速に低下し、軟殻エビは調理後や冷凍後に頭と体の分離に悩まされることが多い。 本研究では,収穫直後の白エビの自動分類に深層学習に基づく画像認識を利用する。 畳み込みニューラルネットワーク(CNN)モデルは、手作業によるソートを置き換え、分類精度、効率、一貫性を向上させる。
• 参考スコア（独自算出の注目度）: 5.873567672027968
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With the integration of information technology into aquaculture, production has become more stable and continues to grow annually. As consumer demand for high-quality aquatic products rises, freshness and appearance integrity are key concerns. In shrimp-based processed foods, freshness declines rapidly post-harvest, and soft-shell shrimp often suffer from head-body separation after cooking or freezing, affecting product appearance and consumer perception. To address these issues, this study leverages deep learning-based image recognition for automated classification of white shrimp immediately after harvest. A convolutional neural network (CNN) model replaces manual sorting, enhancing classification accuracy, efficiency, and consistency. By reducing processing time, this technology helps maintain freshness and ensures that shrimp transportation businesses meet customer demands more effectively.
• Abstract（参考訳）: 情報技術の水文化への統合により、生産は安定し、毎年成長を続けている。 高品質な水産製品に対する消費者の需要が高まるにつれ、鮮度と外観の整合性は重要な懸念事項となっている。 エビをベースとした加工食品では、鮮度は収穫後急速に低下し、軟殻エビは調理後や冷凍後に頭部の分離に悩まされ、製品の外観や消費者の認識に影響を及ぼす。 これらの課題に対処するために, 深層学習に基づく画像認識を用いて, 収穫直後の白エビの自動分類を行う。 畳み込みニューラルネットワーク(CNN)モデルは、手作業によるソートを置き換え、分類精度、効率、一貫性を向上させる。 この技術は、処理時間を短縮することで、鮮度を維持し、エビ輸送ビジネスが顧客の要求をより効果的に満たすことを保証する。

関連論文リスト

• Deep Feature Optimization for Enhanced Fish Freshness Assessment [0.05599792629509228]
  魚の鮮度を評価することは、食品の安全性を確保し、魚介類産業の経済的損失を最小限に抑えるために不可欠である。 近年のディープラーニングの進歩は視覚的鮮度予測を自動化しているが、精度と特徴透明性に関する課題は継続している。 本研究では,魚の鮮度評価に深い視覚的表現を洗練・活用する3段階統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-28T09:02:10Z)
• Enhanced Fish Freshness Classification with Incremental Handcrafted Feature Fusion [0.05599792629509228]
  魚の鮮度を評価するために手作りの特徴に基づくアプローチを提案する。 本手法は,全画像からグローバルな色変化を捉え,ROIセグメントから局所的な劣化を抽出する。 魚眼データセットの鮮度に関する実験は、アプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2025-10-20T04:36:34Z)
• Distilled Protein Backbone Generation [59.63474232035653]
  拡散およびフローベースの生成モデルは、デノボタンパク質の設計に前例のない能力を提供する。 これらのモデルは生成速度によって制限され、しばしば逆拡散過程において数百の反復的なステップを必要とする。 本研究は,Score Identity Distillation (SiD) を用いて,数段階のタンパク質バックボーン生成装置の訓練を行う方法を示す。
  論文  参考訳（メタデータ） (2025-10-03T15:25:08Z)
• Computer Vision in the Food Industry: Accurate, Real-time, and Automatic Food Recognition with Pretrained MobileNetV2 [1.6590638305972631]
  本研究は,16643画像からなる公共食品11データセット上での食品認識において,効率的かつ高速な事前訓練されたMobileNetV2モデルを用いる。 また、データセット理解、転送学習、データ拡張、正規化、動的学習率、ハイパーパラメータチューニング、さまざまなサイズの画像の考慮など、さまざまな技術を活用して、パフォーマンスと堅牢性を高めている。 より単純な構造を持ち、深層学習領域の深部・密度モデルと比較して訓練可能なパラメータが少ない光モデルを採用するが、短時間で計算可能な精度を達成した。
  論文  参考訳（メタデータ） (2024-05-19T17:20:20Z)
• Learning to Classify New Foods Incrementally Via Compressed Exemplars [8.277136664415513]
  食品画像分類システムは、画像に基づく食事評価技術を通じて、健康モニタリングと食事追跡において重要な役割を担っている。 既存の食品認識システムは、予め定義された一定数の食品クラスによって特徴づけられる静的なデータセットに依存している。 我々は、圧縮されたデータの品質を適応的に改善するために、ニューラル圧縮モデルを継続的に学習するという概念を紹介した。
  論文  参考訳（メタデータ） (2024-04-11T06:55:44Z)
• Food Image Classification and Segmentation with Attention-based Multiple Instance Learning [51.279800092581844]
  本稿では,食品画像分類とセマンティックセグメンテーションモデルを訓練するための弱教師付き方法論を提案する。 提案手法は、注意に基づくメカニズムと組み合わせて、複数のインスタンス学習アプローチに基づいている。 提案手法の有効性を検証するため,FoodSeg103データセット内の2つのメタクラスについて実験を行った。
  論文  参考訳（メタデータ） (2023-08-22T13:59:47Z)
• 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)
• Towards Generating Large Synthetic Phytoplankton Datasets for Efficient Monitoring of Harmful Algal Blooms [77.25251419910205]
  有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。 現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。 合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
  論文  参考訳（メタデータ） (2022-08-03T20:15:55Z)
• Fish Disease Detection Using Image Based Machine Learning Technique in Aquaculture [0.971137838903781]
  養殖における魚の病気は栄養の安全にとって重大な危険である。 画像の前処理とセグメンテーションはノイズを低減し、画像を誇張するために適用されている。 第二部では、機械学習のサポートベクトルマシン(SVM)アルゴリズムの助けを借りて疾患を分類するための関連する特徴を抽出します。
  論文  参考訳（メタデータ） (2021-05-09T13:22:44Z)

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。