Fugu-MT 論文翻訳(概要): Predicting Fruit Quality with a Hybrid Machine Learning and Image Processing Approach

論文の概要: Predicting Fruit Quality with a Hybrid Machine Learning and Image Processing Approach

arxiv url: http://arxiv.org/abs/2606.26165v1
Date: Wed, 24 Jun 2026 07:16:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 18:46:32.018691
Title: Predicting Fruit Quality with a Hybrid Machine Learning and Image Processing Approach
Title（参考訳）: ハイブリッド機械学習と画像処理による果実の品質予測
Abstract要約: 本研究では,果実の鮮度を評価するために,画像処理とディープラーニングを組み合わせたハイブリッドアプローチを提案する。我々は,0(完全に新鮮)から100(完全に腐った)までのスケールで劣化を定量化する画像処理アルゴリズムを開発した。我々は、果実画像の大規模なデータセットを用いて、畳み込みニューラルネットワーク(CNN)を訓練し、バイナリ分類(フレッシュまたはローテン)を行った。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fruit spoilage is a significant issue in agriculture, leading to substantial economic losses. Addressing this, our study introduces a hybrid approach combining image processing and deep learning to assess fruit freshness. We developed an image processing algorithm that quantifies spoilage on a scale from 0 (fully fresh) to 100 (fully rotten). Alongside, we trained a convolutional neural network (CNN) to perform binary classification (fresh or rotten) using a large dataset of fruit images. The outcomes of both methods were synthesized using logistic regression to enhance the accuracy of freshness predictions. Subsequently, this logistic regression model was utilized to enable the image processing algorithm to provide binary classification based on its percentage output, thus eliminating the need for the CNN in real-time applications. Our approach, which does not require high computational resources, achieved real-time performance and was validated with over 90% accuracy on a dataset comprising apples and oranges. The primary limitation lies in the requirement for fruits to be isolated on a background that must be either white or transparent, suggesting future improvements could include advanced segmentation models to automate background removal. This study's results highlight the potential of integrating simple image processing techniques with machine learning to provide practical solutions in the agricultural sector.
Abstract（参考訳）: 果実の腐敗は農業において重大な問題であり、経済的にかなりの損失をもたらした。そこで本研究では,果実の鮮度を評価するために,画像処理とディープラーニングを組み合わせたハイブリッドアプローチを提案する。我々は, 0 から 100 まで(完全に腐った)スケールで劣化を定量化する画像処理アルゴリズムを開発した。同時に、果実画像の大規模なデータセットを使用して、畳み込みニューラルネットワーク(CNN)を訓練し、バイナリ分類(フレッシュまたは腐った)を行った。両手法の結果は,鮮度予測の精度を高めるために,ロジスティック回帰を用いて合成された。その後、このロジスティック回帰モデルを用いて、画像処理アルゴリズムがそのパーセンテージ出力に基づいてバイナリ分類を提供することにより、リアルタイムアプリケーションにおけるCNNの必要性を排除した。提案手法は,高い計算資源を必要とせず,実時間性能を達成し,リンゴとオレンジからなるデータセットに対して90%以上の精度で検証した。主な制限は、果実を白または透明でなければならない背景に分離する必要があることであり、将来の改善には背景除去を自動化する高度なセグメンテーションモデルが含まれる可能性があることを示唆している。本研究の結果は、農業分野における実践的なソリューションを提供するため、単純な画像処理技術と機械学習を統合する可能性を強調した。

関連論文リスト

Automated Multi-Class Crop Pathology Classification via Convolutional Neural Networks: A Deep Learning Approach for Real-Time Precision Agriculture [0.0]
本研究では,コンボリューショナルニューラルネットワーク(CNN)を用いた画像分類システムを提案する。このソリューションは、オープンソースでモバイル互換のプラットフォーム上にデプロイされ、リモートエリアの農家に対してリアルタイムの画像ベースの診断を可能にする。
論文参考訳（メタデータ） (2025-07-12T18:45:50Z)
Classifying Healthy and Defective Fruits with a Multi-Input Architecture and CNN Models [0.0]
主な目的は、CNNモデルの精度を高めることである。その結果,Multi-Input アーキテクチャにシルエット画像を含めることで,優れた性能のモデルが得られることがわかった。
論文参考訳（メタデータ） (2024-10-14T21:37:12Z)
Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
論文参考訳（メタデータ） (2024-03-28T22:25:05Z)
Active Generation for Image Classification [45.93535669217115]
本稿では,モデルのニーズと特徴に着目し,画像生成の効率性に対処することを提案する。能動学習の中心的傾向として,ActGenという手法が,画像生成のトレーニング・アウェア・アプローチを取り入れている。
論文参考訳（メタデータ） (2024-03-11T08:45:31Z)
Wild Animal Classifier Using CNN [0.0]
畳み込みニューラルネットワーク(CNN)は、特定の入力を予測するために異なる重みを持つ複数の層を持つ。画像セグメンテーションは、画像の関心領域の明確な区切りを提供する、そのような広く使われている画像処理手法である。
論文参考訳（メタデータ） (2022-10-03T13:14:08Z)
End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文参考訳（メタデータ） (2022-08-04T01:34:46Z)
Facilitated machine learning for image-based fruit quality assessment in developing countries [68.8204255655161]
自動画像分類は食品科学における教師あり機械学習の一般的な課題である。事前学習型視覚変換器(ViT)に基づく代替手法を提案する。標準的なデバイス上で限られたリソースで簡単に実装できる。
論文参考訳（メタデータ） (2022-07-10T19:52:20Z)
Image Quality Assessment using Contrastive Learning [50.265638572116984]
我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
論文参考訳（メタデータ） (2021-10-25T21:01:00Z)
Fruit Quality and Defect Image Classification with Conditional GAN Data Augmentation [2.6424021470496672]
微調整、トランスファーラーニング、ジェネレーションモデルに基づくトレーニングデータ拡張というアイデアを組み合わせた機械学習パイプラインを提案します。畳み込み層に完全に接続された4096個のニューロンを付加すると、83.77%の画像分類精度が得られる。そして,2000エポックの訓練データに基づいて条件付き生成型adversarial networkを訓練し,比較的現実的な画像を生成することを学ぶ。
論文参考訳（メタデータ） (2021-04-12T17:13:05Z)
DeFlow: Learning Complex Image Degradations from Unpaired Data with Conditional Flows [145.83812019515818]
本論文では,不対データから画像劣化を学習するDeFlowを提案する。共有フローデコーダネットワークの潜在空間における劣化過程をモデル化する。共同画像復元と超解像におけるDeFlowの定式化を検証した。
論文参考訳（メタデータ） (2021-01-14T18:58:01Z)
Learning CNN filters from user-drawn image markers for coconut-tree image classification [78.42152902652215]
本稿では,CNNの特徴抽出器を訓練するために,最小限のユーザ選択画像を必要とする手法を提案する。本手法は,クラスを識別する画像領域のユーザ描画マーカーから,各畳み込み層のフィルタを学習する。バックプロパゲーションに基づく最適化には依存せず、ココナッツツリー空中画像のバイナリ分類にその利点を実証する。
論文参考訳（メタデータ） (2020-08-08T15:50:23Z)

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。