論文の概要: Coral Grow-out Robotic Assessment System (CGRAS): Scaling Coral Recruit Monitoring Through Robotics and Computer Vision

• arxiv url: http://arxiv.org/abs/2609.38846v1
• Date: Wed, 30 Sep 2026 03:05:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.063319
• Title: Coral Grow-out Robotic Assessment System (CGRAS): Scaling Coral Recruit Monitoring Through Robotics and Computer Vision
• Title（参考訳）: コーラル成長型ロボットアセスメントシステム(CGRAS) : ロボットとコンピュータビジョンによるコーラルリクルートモニタリングのスケーリング
• Abstract要約: 大規模なサンゴ礁の復元は、サンゴ養殖などのサンゴの大量生産に依存している。 この監視ボトルネックに対処するため,我々はCoral Grow-out Robotic Assessment System (CGRAS)を導入する。 CGRASは、ロボットイメージングとコンピュータビジョンを組み合わせて、データ取得を自動化し、サンゴの複数種の検出とカウントを行い、サンゴの健康を評価する。 標準化されたサンゴ礁の大規模養殖施設でCGRASを実演し,手動モニタリングと比較して時間と労働コストを9.6倍に削減した。
• 参考スコア（独自算出の注目度）: 4.621178061635343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Climate change is the largest threat to coral reefs, with increasing global impacts accelerating the need for scalable reef restoration technologies. Large-scale reef restoration depends on the mass production of corals, such as through coral aquaculture. Coral seeding with recruits grown in aquaculture facilities is a feasible restoration approach, but effective production requires consistent, high-frequency monitoring of tens of thousands of macroscopic (0.5-2mm diameter) recruits, making conventional manual assessment prohibitively labor-intensive. To address this monitoring bottleneck, we introduce the Coral Grow-out Robotic Assessment System (CGRAS) which combines robotic imaging and computer vision to automate data acquisition, perform multi-species detection and counting of corals, and evaluate coral health. CGRAS automatically extracts coral growth, survival and spatial distribution metrics, with the aim of providing timely feedback to operators for optimizing production, grow-out and deployment workflow processes. We demonstrate CGRAS in a large aquaculture facility on standardized coral settlement tiles, reducing the time and labor costs by a factor of 9.6 as compared to manual monitoring, whilst achieving 96.4% agreement for Acropora kenti corals relative to expert counts.
• Abstract（参考訳）: 気候変動はサンゴ礁にとって最大の脅威であり、世界中の影響が拡大し、スケーラブルなサンゴ礁修復技術の必要性が加速した。 大規模なサンゴ礁の復元は、サンゴ養殖などのサンゴの大量生産に依存している。 養殖施設で育てられたリクルードによるサンゴの種付けは、実現可能な修復手法であるが、効果的な生産には数万のマクロスコープ(0.5-2mm)のリクルードを一貫した高周波で監視する必要があるため、従来の手作業による評価は労働集約的である。 この監視ボトルネックに対処するために,ロボット画像とコンピュータビジョンを組み合わせたコラール成長ロボットアセスメントシステム(CGRAS)を導入し,データ取得の自動化,サンゴの複数種の検出・カウント,サンゴの健康評価を行った。 CGRASは、サンゴの成長、生存、空間分布のメトリクスを自動的に抽出し、運用、成長、デプロイメントワークフロープロセスの最適化のためにオペレーターにタイムリーなフィードバックを提供することを目的としている。 標準化されたサンゴ礁の大規模養殖施設においてCGRASを実演し,手動モニタリングと比較して時間と労働コストを9.6倍に削減するとともに,専門家数に対するアクロポラ・ケンティサンゴの96.4%の合意を得た。

関連論文リスト

• Automated Coral Spawn Monitoring for Reef Restoration: The Coral Spawn and Larvae Imaging Camera System (CSLICS) [3.2732567892681144]
  サンゴ礁の再生には、資源分布と幼虫の健康モニタリングのために、正確で連続的な産卵数を必要とする。 低コストのモジュラーカメラと、人間-イン・ザ・ループラベリング手法を用いて訓練された物体検出装置を用いて、Calal Spawn and Larvae Imaging Camera System (CSLICS)を提案する。
  論文  参考訳（メタデータ） (2025-09-22T00:47:32Z)
• No Mesh, No Problem: Estimating Coral Volume and Surface from Sparse Multi-View Images [45.20850219249498]
  有効なサンゴ礁のモニタリングには、正確な体積と表面積の推定によるサンゴの成長の定量化が必要である。 本稿では,2次元マルチビューRGB画像からサンゴのような物体の3次元体積と表面積を予測することによって,この問題に対処する,新しい,軽量でスケーラブルな学習フレームワークを提案する。 このフレームワークは、スパース画像から効率よくスケーラブルなサンゴの形状を推定する方法を開拓し、サンゴの成長分析やサンゴのモニタリングに応用できる可能性がある。
  論文  参考訳（メタデータ） (2025-09-14T08:52:01Z)
• AI-driven Dispensing of Coral Reseeding Devices for Broad-scale Restoration of the Great Barrier Reef [4.544456147584922]
  サンゴ礁は崩壊の瀬戸際にあり、気候変動、海洋酸性化、汚染などにより、今後10年以内にサンゴの種が70-90%減少すると予想されている。 本稿では,人工知能,コンピュータビジョン,ロボット技術を活用したサンゴ再探査装置の自動展開について述べる。
  論文  参考訳（メタデータ） (2025-08-31T23:09:51Z)
• The Coralscapes Dataset: Semantic Scene Understanding in Coral Reefs [12.535323016915122]
  本研究はサンゴ礁において,2075のイメージ,39のベントニッククラス,174kのセグメンテーションマスクを含む汎用的なセグメンテーションデータセットを初めて公開する。 我々は、幅広いセマンティックセグメンテーションモデルをベンチマークし、Coralscapesから既存の小さなデータセットへの変換学習が一貫して最先端のパフォーマンスをもたらすことを発見した。 Coralscapesは、コンピュータビジョンに基づく効率よくスケーラブルで標準化されたサンゴ礁の調査方法の研究を触媒し、水中の生態学ロボットの開発を効率化する可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-25T18:33:59Z)
• Back Home: A Computer Vision Solution to Seashell Identification for Ecological Restoration [44.99833362998488]
  BackHome19Kは、海岸レベルのラベルが付加された最初の大規模画像コーパスである。 トレーニング済みの異常フィルタがアップロードされ、ユーザ生成ノイズに対する堅牢性が向上する。 システムはすでに野生生物の役人のために70万発の砲弾を1枚あたり3秒以下で処理している。
  論文  参考訳（メタデータ） (2025-01-08T23:07:10Z)
• CoralSCOP-LAT: Labeling and Analyzing Tool for Coral Reef Images with Dense Mask [20.267378309290116]
  CoralSCOP-LATはサンゴのイメージ分析とラベル付けツールで、サンゴの領域を自動的に分割し分析する。 評価の結果,CoralSCOP-LATは時間効率,精度,精度,柔軟性の観点から既存のサンゴ礁解析ツールを上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-10-27T13:26:44Z)
• OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
  既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
  論文  参考訳（メタデータ） (2024-05-12T09:32:40Z)
• Deep object detection for waterbird monitoring using aerial imagery [56.1262568293658]
  本研究では,商用ドローンで収集した空中画像を用いて,水鳥の正確な検出,数え,監視に使用できる深層学習パイプラインを提案する。 畳み込み型ニューラルネットワークを用いた物体検出装置を用いて,テキサス沿岸の植民地性営巣島でよく見られる16種類の水鳥を検出できることを示す。
  論文  参考訳（メタデータ） (2022-10-10T17:37:56Z)
• 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)
• 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。