論文の概要: AerialYield-B2D: A Greenhouse Blueberry Dataset with Five-Stage Ripeness Masks and Fruit Counts

• arxiv url: http://arxiv.org/abs/2608.16973v1
• Date: Mon, 17 Aug 2026 13:45:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.083136
• Title: AerialYield-B2D: A Greenhouse Blueberry Dataset with Five-Stage Ripeness Masks and Fruit Counts
• Title（参考訳）: AerialYield-B2D:5段リピートマスクとフルーツカウントを備えた温室ブルーベリーデータセット
• Abstract要約: 5つの熟成段階にわたる514枚のRGB画像と30,195個の注釈付きブルーベリーインスタンスを含む実画像資源を提示する。 このリリースでは、クラス固有のバイナリマスク、全体的なベリーマスク、セマンティックラベルマップ、イメージレベルのカウントテーブル、SHA-256ハッシュ、ソースメタデータ、推奨トレイン/バリデーション/テスト分割、技術的な検証が提供されている。
• 参考スコア（独自算出の注目度）: 6.986894320466981
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Blueberry ripeness is judged by berry colour, cluster composition, and the distribution of maturity stages within a plant, however, public green house image resources with dense ripeness-stage masks remain limited. We present AerialYield-B2D, where B2D denotes BlueBerry Dataset, acurated real-image resource containing 514 RGB images and 30,195 annotated blueberry instances across five ripeness stages: green immature, pale pink, pink-turns-purple, fully ripe and over-ripe. The release provides class-specific binary masks, overall berry masks, semantic label maps, image-level count tables, SHA-256 hashes, source metadata, recommended train/validation/test splits and technical validations. AerialYield is the broader project name; this release does not provide harvest weight, fruit mass or per-area yield measurements, and the count labels should therefore be interpreted as image-level berry counts rather than yield estimates. The images include 424 smartphone greenhouse images, 67 video-derived frames, and 23 DJI Fly video-frame samples, providing a reproducible dataset for ripeness segmentation, berry counting, and class-imbalance analysis in controlled-environment blueberry production.
• Abstract（参考訳）: ブルーベリーの熟度は, 果実の色, クラスター組成, 植物内部の成熟期の分布によって判断されるが, 密集した熟度マスクを有する公営の温室画像資源は依然として限られている。 AerialYield-B2D では,B2D が BlueBerry Dataset と表現され,514 RGB 画像と30,195 の注釈付きブルーベリーインスタンスが5つの熟成段階(緑未熟,淡ピンク,ピンクターンスパープル,完全熟,オーバーリップ)にまたがっている。 このリリースでは、クラス固有のバイナリマスク、全体的なベリーマスク、セマンティックラベルマップ、イメージレベルのカウントテーブル、SHA-256ハッシュ、ソースメタデータ、推奨トレイン/バリデーション/テスト分割、技術的な検証が提供されている。 AerialYieldはより広いプロジェクト名であり、このリリースでは収穫重量、果実の質量、面積当たりの収量の測定は提供されず、そのため、カウントラベルは収量推定よりも画像レベルのベリー数として解釈されるべきである。 画像には424のスマートフォン温室画像、67の動画フレーム、23のDJI Flyビデオフレームサンプルが含まれており、コントロール環境のブルーベリー生産における熟成のセグメンテーション、ベリーカウント、クラス不均衡分析のための再現可能なデータセットを提供する。

関連論文リスト

• Vines-DB: An RGB image dataset for multi-species ornamental vine segmentation [0.0]
  Vines-DBデータセットには、ユタ州ローガンにあるユタ農業試験場(英語版)のグリーンビル研究農場(英語版)のフィールド条件下で収集された7種の装飾用ブドウ種の1,218個の高解像度RGB画像が含まれている。 写真はiPhone 16 Proで撮影され、朝10時から午後12時の間に48MPのカメラが搭載された。ウイルスは1.2m×2.4mのトレライズで成長し、黒か白のスチロールの背景から1mの距離から撮影され、コントラストを改善し、背景雑音を低減する。
  論文  参考訳（メタデータ） (2026-06-16T20:52:15Z)
• ViViD-5K: Vineyard vision dataset for field-based berry detection and segmentation and grape cluster closure estimation [7.764774369757902]
  クラスター閉鎖は、ブドウ園の管理において重要な特徴であり、病気のリスクに影響を与える。 伝統的な視覚的採点法は、労働集約的で主観的であり、時間分解能が欠如している。 大規模インフィールドVineyard VisionデータセットであるViViD-5kについて,648,000個のベリーセントロイドと,13種類のブドウ品種にまたがるクラスタセグメンテーションマスクについて紹介する。 ポイントベースのベリーローカライゼーションとSegment Anythingを用いたプロンプトベースのセグメンテーションを組み合わせた2段階のビジュアルパイプラインであるGrapeSAMを導入し,次にトランスフォーマーベースのクラスタセグメンテーションを紹介する。
  論文  参考訳（メタデータ） (2026-05-23T02:30:02Z)
• Bringing SAM to new heights: Leveraging elevation data for tree crown segmentation from drone imagery [68.69685477556682]
  現在のモニタリング手法には、大規模なコスト、時間、労力を必要とする地上計測が含まれる。 ドローンのリモートセンシングとコンピュータビジョンは、広範囲の航空画像から個々の木をマッピングする大きな可能性を秘めている。 高解像度ドローン画像におけるツリークラウンインスタンスの自動セグメンテーションのためのセグメンテーションモデル(SAM)を用いた手法の比較を行った。 また,デジタルサーフェスモデル(DSM)情報を用いたモデルへの標高データの統合についても検討した。
  論文  参考訳（メタデータ） (2025-06-05T12:43:11Z)
• Estimating the Diameter at Breast Height of Trees in a Forest With a Single 360 Camera [52.85399274741336]
  森林在庫は、生態モニタリング、資源管理、炭素会計のために、乳房の高さ(DBH)の直径の正確な測定に頼っている。 LiDARベースの技術はセンチメートル単位の精度を達成できるが、コストは抑えられ、運用上複雑である。 コンシューマグレードの360度ビデオカメラしか必要としない低価格の代替機を提示する。
  論文  参考訳（メタデータ） (2025-05-06T01:09:07Z)
• Agtech Framework for Cranberry-Ripening Analysis Using Vision Foundation Models [1.5728609542259502]
  航空画像と地上画像を用いたクランベリー作物の熟成過程を特徴付ける枠組みを開発した。 この作品はこの種の最初のものであり、クランベリーやワインブドウ、オリーブ、ブルーベリー、トウモロコシなど他の作物に将来的な影響を及ぼす。
  論文  参考訳（メタデータ） (2024-12-12T22:03:33Z)
• Convolutional Neural Network Ensemble Learning for Hyperspectral Imaging-based Blackberry Fruit Ripeness Detection in Uncontrolled Farm Environment [4.292727554656705]
  本稿では,ブラックベリー果実の熟しやすさの微妙な特徴を検出するために,新しいマルチインプット畳み込みニューラルネットワーク(CNN)アンサンブル分類器を提案する。 提案したモデルは、未確認セットで95.1%の精度、フィールド条件で90.2%の精度を達成した。
  論文  参考訳（メタデータ） (2024-01-09T12:00:17Z)
• Vision-Based Cranberry Crop Ripening Assessment [1.8434042562191815]
  この研究は、コンピュータビジョンを用いた熟成の定量的評価において、最初のものである。 ワインのブドウ、オリーブ、ブルーベリー、トウモロコシなどクランベリー以外の作物にも影響がある。
  論文  参考訳（メタデータ） (2023-08-31T14:58:11Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• 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)
• See through Gradients: Image Batch Recovery via GradInversion [103.26922860665039]
  我々は、より大きなバッチからの入力イメージをResNets(50層)のような大規模ネットワークでも復元できるGradInversionを紹介した。 複雑なデータセット、ディープネットワーク、大規模なバッチサイズであっても、GradInversionを通じて、個々のイメージを高い忠実度で復元できるような、驚くほど大量の情報をエンコードする勾配を示す。
  論文  参考訳（メタデータ） (2021-04-15T16:43:17Z)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)

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。