文献

J-GLOBAL ID：202002220042577995   整理番号：20A0194506

知的モニタリングのための貯穀害虫のマルチスケール検出【JST・京大機械翻訳】

Multi-scale detection of stored-grain insects for intelligent monitoring

著者 (4件)： Li Jiangtao (Beijing University of Posts and Telecommunications, PO Box 137, Road Xitucheng 10, Haidian District, Beijing 100876, PR China) ,  Zhou Huiling (Beijing University of Posts and Telecommunications, PO Box 137, Road Xitucheng 10, Haidian District, Beijing 100876, PR China) ,  Wang Zhongming (Academy of National Food and Strategic Reserves Administration, No. 11 Baiwanzhuang Street, Beijing 100037, PR China) ,  Jia Qingxuan (Beijing University of Posts and Telecommunications, PO Box 137, Road Xitucheng 10, Haidian District, Beijing 100876, PR China)
資料名： Computers and Electronics in Agriculture  (Computers and Electronics in Agriculture)
巻： 168  ページ： Null  発行年： 2020年 
JST資料番号： T0337A  ISSN： 0168-1699  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 穀物倉庫における昆虫のための知的モニタリングを実行するために,多重スケール昆虫検出器(MSI_Dector)を,深い畳込みニューラルネットワークを適用することによって開発した。それは,昆虫がより小さくなるにつれて,その性能が急激に減少する一般的なアンカーに基づく昆虫検出法に存在する問題を解決した。異なる空間分解能と意味情報を持つ昆虫画像特徴を抽出するための特徴ピラミッドネットワークを構築し,各ピラミッドレベルで妥当なスケールを持つタイルアンカーを,異なる規模の昆虫をうまく処理するために構築した。さらに,検出性能を改善するために,分類およびボックス回帰サブネットを残差構造に変更し,昆虫分類およびボックス回帰タスクの両方に対する訓練中の容易および困難なサンプルの重みをバランスさせるための再結合損失関数を提案した。10種6属の一般的な貯蔵穀粒昆虫の成虫の検出のための優れた結果が達成され,平均精度は94.77%に達し,昆虫スケールに対するロバスト性を実証した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *貯穀害虫 ,  損失関数 ,  倉庫 ,  検出器 ,  穀類 ,  ロバスト性 ,  昆虫類 ,  画像特性 ,  再結合 ,  残差 ,  空間分解能 ,  成虫 ,  検出法
準シソーラス用語： 畳込みニューラルネットワーク ,  マルチスケール , 【Automatic Indexing@JST】

著者キーワード (4件)： 貯穀害虫モニタリング ,  マルチスケール検出器 ,  特徴ピラミッドネットワーク ,  損失関数

分類 (2件)： 人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： モニタリング ,  貯穀害虫 ,  マルチスケール