Fugu-MT 論文翻訳(概要): Fruit-HSNet: A Machine Learning Approach for Hyperspectral Image-Based Fruit Ripeness Prediction

論文の概要: Fruit-HSNet: A Machine Learning Approach for Hyperspectral Image-Based Fruit Ripeness Prediction

arxiv url: http://arxiv.org/abs/2608.01202v1
Date: Sun, 02 Aug 2026 12:37:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.118324
Title: Fruit-HSNet: A Machine Learning Approach for Hyperspectral Image-Based Fruit Ripeness Prediction
Title（参考訳）: Fruit-HSNet:ハイパースペクトル画像に基づくFruit Ripeness予測のための機械学習アプローチ
Authors: Ahmed Baha Ben Jmaa, Faten Chaieb, Anna Fabijańska,
Abstract要約: 本稿では,果実熟度を高スペクトルで分類する機械学習アーキテクチャであるFruit-HSNetを紹介する。その結果、Fruit-HSNetは既存のディープラーニング手法を大幅に上回り、12%の改善を達成し、新しい最先端の70.73%の精度を実現した。
参考スコア（独自算出の注目度）: 1.5484595752241122
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fruit ripeness prediction (FRP) is a classification-based agricultural computer vision task that has attracted much attention, thanks to its wide-ranging advantages in agriculture field for both pre-harvest and post-harvest management. Accurate and timely FRP can be achieved using machine/deep learning-based hyperspectral image classification techniques. However, challenges including the limited availability of labeled data and the lack of robust methods generalizable to various hyperspectral cameras and fruit types can compromise the effectiveness of hyperspectral image-based FRP. Addressing these challenges, this paper introduces Fruit-HSNet, a machine learning architecture specifically designed for hyperspectral classification of fruit ripeness. Fruit-HSNet incorporates a spatio-spectral feature extraction module based on Fourier Transform and central pixel spectral signature followed by learnable feature fusion and a classifier optimized for ripeness classification. The proposed architecture was evaluated using the DeepHS Fruit dataset, the largest publicly available labeled real-world hyperspectral dataset for predicting fruit ripeness, which includes five different types of fruits-avocado, kiwi, mango, kaki, and papaya-captured with three distinct hyperspectral cameras at various stages of ripeness. Experimental results highlight that Fruit-HSNet substantially outperforms existing deep learning methods, from baseline to state-of-the-art models, with improvements of 12%, achieving a new state-of-the-art overall accuracy of 70.73%.
Abstract（参考訳）: 果樹熟度予測(Fruit ripeness prediction, FRP)は、農業分野における前収穫と後収穫の両方に幅広い利点があるため、分類に基づく農業用コンピュータビジョンタスクである。機械/深層学習に基づくハイパースペクトル画像分類技術を用いて,高精度かつタイムリーなFRPを実現することができる。しかし、ラベル付きデータの可用性の制限や、様々なハイパースペクトルカメラやフルーツタイプに一般化可能なロバストな方法の欠如といった課題は、ハイパースペクトル画像ベースFRPの有効性を損なう可能性がある。これらの課題に対処するために,果実熟度を超スペクトル的に分類する機械学習アーキテクチャであるFruit-HSNetを紹介した。 Fruit-HSNet はフーリエ変換と中心画素スペクトルシグネチャに基づく時空間特徴抽出モジュールと学習可能な特徴融合と熟度分類に最適化された分類器を組み込んでいる。提案アーキテクチャは,果実の熟成度を予測するために,実世界の最大ラベル付きハイパースペクトルデータセットであるDeepHS Fruitデータセットを用いて評価した。実験の結果、Fruit-HSNetはベースラインから最先端モデルまで、既存のディープラーニング手法を大幅に上回っており、12%の改善が達成され、新しい最先端の精度が70.73%に達した。

関連論文リスト

Non-Destructive Prediction of Fruit Ripeness and Firmness Using Hyperspectral Imaging and Lightweight Machine Learning Models [0.6299766708197881]
本研究では,高スペクトル画像データを用いた20種類の古典的機械学習アルゴリズムを,同時リピート分類と強靭性予測のために体系的に評価する。以上の結果から、Fruit-HSNetで報告された最先端のディープラーニングモデルよりも、ツリーベースの機械学習モデルの方が優れていることが示唆された。
論文参考訳（メタデータ） (2026-04-05T07:57:27Z)
CNN-based solution for mango classification in agricultural environments [1.2248397169100782]
本稿では,コンボリューショナルニューラルネットワーク(CNN)を用いた果実検出・分類システムの設計を実証する。農業在庫管理のための果実の質を自動的に評価するシステムを開発することが目的である。
論文参考訳（メタデータ） (2025-07-31T00:58:34Z)
Enhancing Fruit and Vegetable Detection in Unconstrained Environment with a Novel Dataset [4.498047714838568]
本稿では,実環境における果実や野菜の検出とローカライズのためのエンドツーエンドパイプラインを提案する。我々はFRUVEG67というデータセットをキュレートした。このデータセットには、制約のないシナリオでキャプチャされた67種類の果物や野菜の画像が含まれている。 Fruit and Vegetable Detection Network (FVDNet) は3つの異なるグリッド構成を持つYOLOv7のアンサンブルバージョンである。
論文参考訳（メタデータ） (2024-09-20T08:46:03Z)
MetaFruit Meets Foundation Models: Leveraging a Comprehensive Multi-Fruit Dataset for Advancing Agricultural Foundation Models [10.11552909915055]
今回紹介するMetaFruitは,4,248のイメージと248,015のラベル付きインスタンスからなる,公開可能な最大規模のマルチクラスフルーツデータセットである。本研究では, 先進的ビジョン基礎モデル(VFM)を応用したオープンセット果実検出システムを提案する。
論文参考訳（メタデータ） (2024-05-14T00:13:47Z)
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)
Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文参考訳（メタデータ） (2022-10-24T14:37:09Z)
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)
Measuring the Ripeness of Fruit with Hyperspectral Imaging and Deep Learning [14.853897011640022]
本稿では,ハイパースペクトルカメラとディープニューラルネットワークアーキテクチャを用いて果実の熟度を計測するシステムを提案する。このアーキテクチャは、成熟状態の予測において、競合するベースラインモデルに勝った。
論文参考訳（メタデータ） (2021-04-20T07:43:19Z)
Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。