論文の概要: A Lightweight Phenology-Aware YOLOv5 Framework for Tomato Growth Stage Detection in Resource-Constrained Bhutanese Greenhouse Environments

• arxiv url: http://arxiv.org/abs/2608.30088v1
• Date: Sun, 30 Aug 2026 23:23:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.176137
• Title: A Lightweight Phenology-Aware YOLOv5 Framework for Tomato Growth Stage Detection in Resource-Constrained Bhutanese Greenhouse Environments
• Title（参考訳）: 資源制約ブータン温室環境におけるトマト生育段階検出のための軽量現象認識型YOLOv5フレームワーク
• Abstract要約: ブータンでは、温室栽培は高度変動、昼日温度の変動、拡散照明、限定された自動化、および局所的な注釈付きデータセットの不足の影響を受けている。 本研究は, トマト成長段階認識のための, Ultralytics YOLOv5 から派生した, 軽量で表現学を意識したオブジェクト検出アーキテクチャである Pheno-Lite + Efficient Channel Attention (ECA) を提案する。 提案されたモデルは、90.6%の精度、88.8%のリコール、92.6%のmAP@50、4.0百万のパラメータと10.9のGFLOPを640 x 640の解像度で達成している。
• 参考スコア（独自算出の注目度）: 0.3093890460224435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate detection of tomato growth stages is essential for stage-specific greenhouse management and precision agriculture. In Bhutan, greenhouse cultivation is affected by altitude variability, large diurnal temperature fluctuations, diffuse illumination, limited automation, and a scarcity of locally annotated datasets, limiting the applicability of conventional deep learning models. This work proposes Pheno-Lite + Efficient Channel Attention (ECA), a lightweight, phenology-aware object detection architecture derived from Ultralytics YOLOv5 for tomato growth stage recognition. A balanced dataset of 2,464 annotated images was constructed from locally collected greenhouse images in Bhutan and publicly available tomato images, with augmentation designed to simulate local greenhouse conditions. The dataset includes vegetative (820), flowering (824), fruiting (820), and background (26) samples. The proposed architecture introduces two customized backbone modules: C3 PhenoLite, which enhances spatial and texture feature extraction using depthwise residual refinement, and C3 ECA, which strengthens inter-channel feature interactions through efficient channel attention. The proposed model achieves 90.6% precision, 88.8% recall, and 92.6% mAP@50, with 4.0 million parameters and 10.9 GFLOPs at 640 x 640 resolution. These results demonstrate its potential for real-time and climate-resilient greenhouse deployment in Bhutan.
• Abstract（参考訳）: トマトの生育段階の正確な検出は、ステージ固有の温室管理と精密農業に不可欠である。 ブータンでは、温室栽培は高度変動、昼日温度の変動、拡散照明、自動化の制限、局所的な注釈付きデータセットの不足などの影響を受けており、従来のディープラーニングモデルの適用性が制限されている。 本研究は, トマト成長段階認識のための, Ultralytics YOLOv5 から派生した, 軽量で表現学を意識したオブジェクト検出アーキテクチャである Pheno-Lite + Efficient Channel Attention (ECA) を提案する。 ブータンの温室画像と、現地の温室条件をシミュレートしたトマト画像から、2,464枚のアノテート画像のバランスのとれたデータセットを構築した。 データセットには、植物(820)、花(824)、果実(820)、背景(26)サンプルが含まれる。 提案アーキテクチャでは,C3 PhenoLiteとC3 ECAの2つのバックボーンモジュールを導入する。 提案されたモデルは、90.6%の精度、88.8%のリコール、92.6%のmAP@50、4.0百万のパラメータと10.9のGFLOPを640 x 640の解像度で達成している。 これらの結果は、ブータンにおけるリアルタイム・耐気候性温室配備の可能性を示している。

関連論文リスト

• Visual-SLAM for the detection of hidden tomatoes in greenhouses by Hierarchical Localization and GLOMAP for robotized harvesting [39.55454029331185]
  本研究は単眼カメラを用いたVisual-SLAMシステムを提案する。 試験はAgroconnect実験用温室にある本物のトマトの束で行われた。
  論文  参考訳（メタデータ） (2026-09-10T16:19:36Z)
• WeedExpert-R1: Incentivizing Botanical Reasoning in MLLMs with Reinforcement Learning for Precision Weed Grounding [5.155445137665098]
  この研究は、検証可能な報酬によって視覚的に接地された植物学的推論を学習するマルチモーダルモデルWeedExpert-R1を紹介した。 WeedExpert-R1-4Bは、IoU閾値0.5、89.30%、87.81パーセントの精度で75.82パーセントの正確なセット精度を達成した。
  論文  参考訳（メタデータ） (2026-07-17T20:33:10Z)
• LeafInst - Unified Instance Segmentation Network for Fine-Grained Forestry Leaf Phenotype Analysis: A New UAV based Benchmark [10.61947524568352]
  リーフインスト(LeafInst)は、不規則で多スケールな葉の構造に適した新しいセグメンテーションフレームワークである。 68.4 mAPを達成し、YOLOv11を7.1%、MaskDinoを6.5%上回っている。
  論文  参考訳（メタデータ） (2026-03-04T01:01:57Z)
• BAWSeg: A UAV Multispectral Benchmark for Barley Weed Segmentation [31.004130414489698]
  そこで本研究では,2ストリーム分割ネットワークをネイティブ解像度で,放射能キューと正規化インデックスキューとを融合する。 植生インデックスとスペクトルアテンションは、植生インデックスマップの窓付き自己アテンションで動作する。 植生指数と分光アテンションは75.6%のmIoUと63.5%の雑草IoUを22.8Mパラメータで達成し、多スペクトルのSegFormer-B1ベースラインを1.2mIoUと1.9の雑草IoUで上回っている。
  論文  参考訳（メタデータ） (2026-03-02T14:49:05Z)
• Sapling-NeRF: Geo-Localised Sapling Reconstruction in Forests for Ecological Monitoring [36.7717316600672]
  サップは森林再生と森林全体の健康の指標である。 従来の3Dセンシング手法では、微細なアーキテクチャ特性を捉えることができない。 本研究では,NeRF,LiDAR SLAM,Andlingを融合させて,繰り返し,地理的に局在したサップリングモニタリングを可能にするパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-02-26T08:13:47Z)
• StomataSeg: Semi-Supervised Instance Segmentation for Sorghum Stomatal Components [27.879332209503435]
  ソルガム (Sorghum) は、水に制限された地域やストレスの強い地域で広く栽培される、世界的な重要な穀物である。 現在のメソッドは、ネストされた小さな構造とアノテーションのボトルネックに関連する課題に直面している。 そこで本研究では,ソリガム確率成分の分析に適した半教師付きインスタンスセグメンテーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-31T13:01:02Z)
• A Domain-Adapted Lightweight Ensemble for Resource-Efficient Few-Shot Plant Disease Classification [0.0]
  ドメイン適応型MobileNetV2モデルとMobileNetV3モデルを組み合わせた数ショットの学習手法を提案する。 分類タスクには、注意機構を付加したBi-LSTM分類器を通す。 1発から15発のパフォーマンスを継続的に改善し、15発で98.23+-0.33%に達した。 また、以前のSOTAの精度も96.4%向上し、15ショットの学習で99.72%を記録した。
  論文  参考訳（メタデータ） (2025-12-15T15:17:29Z)
• Branched Broomrape Detection in Tomato Farms Using Satellite Imagery and Time-Series Analysis [0.2770822269241974]
  枝分かれしたボムラペ(Phelipanche ramosa)は、宿主から栄養素を抽出することによってトマト生産を脅かす。 本稿では,カリフォルニアのトマト畑において,センチネル2画像と時系列解析を用いて,キノコの寄生するトマト畑を識別するエンドツーエンドパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-09-13T03:51:11Z)
• Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
  都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。 複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。 低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-21T03:57:10Z)
• BonnBeetClouds3D: A Dataset Towards Point Cloud-based Organ-level Phenotyping of Sugar Beet Plants under Field Conditions [28.79416825695514]
  農業生産は今後数十年間、気候変動と持続可能性の必要性によって深刻な課題に直面している。 自律無人航空機(UAV)による作物のモニタリングと、ロボットによる非化学雑草によるフィールド管理の進歩は、これらの課題に対処するのに有用である。 表現型化と呼ばれる植物形質の分析は、植物の育種に不可欠な活動であるが、大量の手作業が伴う。
  論文  参考訳（メタデータ） (2023-12-22T14:06:44Z)
• Multi-growth stage plant recognition: a case study of Palmer amaranth (Amaranthus palmeri) in cotton (Gossypium hirsutum) [0.3441021278275805]
  綿花中のAmaranthus palmeriの8クラス成長段階の認識について検討した。 YOLO v3、v5、v6、v6 3.0、v7、v8から26の異なるアーキテクチャのバリエーションを比較します。 すべての成長段階のクラスを認識できるmAP@[0.5:0.95]は、v8-Xで47.34%であった。
  論文  参考訳（メタデータ） (2023-07-28T21:14:43Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)

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。