文献

J-GLOBAL ID：202102270964965113   整理番号：21A1474007

ニューラルネットワークによるリンゴ果実および樹冠特徴の画像解析を用いた早期収量予測【JST・京大機械翻訳】

Early Yield Prediction Using Image Analysis of Apple Fruit and Tree Canopy Features with Neural Networks

著者 (6件)： Cheng Hong (College of Information Science and Technology, Agricultural University of Hebei, Baoding 071001, China) ,  Cheng Hong (Institute of Agricultural Engineering, Faculty of Agriculture, University of Bonn, 53115 Bonn, Germany) ,  Cheng Hong (Key Lab of Agricultural Information Acquisition Technology, China Agricultural University, Beijing 100083, China) ,  Damerow Lutz (Institute of Agricultural Engineering, Faculty of Agriculture, University of Bonn, 53115 Bonn, Germany) ,  Sun Yurui (Key Lab of Agricultural Information Acquisition Technology, China Agricultural University, Beijing 100083, China) ,  Blanke Michael (INRES-Horticultural Science, Faculty of Agriculture, University of Bonn, 53121 Bonn, Germany)
資料名： Journal of Imaging (Web)  (Journal of Imaging (Web))
巻： 3  号： 1  ページ： 6  発行年： 2017年 
JST資料番号： U7220A  ISSN： 2313-433X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： (1)初期収量予測は,全果実産業における収穫とマーケティングの資源要求に関連するので,本論文は,人工神経ネットワーク(ANN)による初期収量を予測するために,画像解析と樹冠特徴を使用する新しい方法を提示する。(2)2つの逆伝播ニューラルネットワーク(BPNN)モデルを,それぞれ6月と熟成期間における自然果実落下後の初期期間のために開発した。同じ期間内で,リンゴ品種「Gala」樹木の画像は,ドイツのBonn近くの果樹園から捕獲された。2つのサンプルセットを,訓練と試験モデルのために開発した。各セットは,2009年と2010年の成長季節から150のサンプルを含んだ。各サンプル(各キャノピー画像)に対して,ピクセルを画像セグメンテーションを用いて果実,葉,およびバックグラウンドに分割した。キャノピーのデータセットから抽出した4つの特徴は,果実の全断面積,果実数,小果実の全断面積,および葉の断面積であり,入力として使用した。目標として木当たりの実際の重みづけ収率によって,BPNNを採用して,予測を開発する必要条件としてそれらの相互関係性を学習した。(3)6月の降下後の初期期間のBPNNモデルに対して,推定と実際の加重収量,平均予測誤差(MFE),平均絶対百分率誤差(MAPE),および根二乗平均誤差(RMSE)の間の相関係数(R2)は,それぞれ0.81,-0.05,10.7%,2.34kg/treeであった。”結果]..結果,平均予測誤差(MFE),平均絶対百分率誤差(MAPE),および二乗平均平方根誤差(RMSE)は,それぞれ,0.81,-0.05,10.7%,2.34kg/treeであった。熟成期間のモデルに対して,これらの測定値は,それぞれ0.83,-0.03,8.9%,2.3kg/treeであった。2011年に,2つの以前に開発したモデルをリンゴ収量を予測するために使用した。推定と収穫したリンゴ収量の間のRMSEとR2値は,初期期間(小,緑果実)で2.6kg/樹木と0.62であり,樹木当たり約18kgの収量で,収穫(赤,大果実)から2.5kg/樹木と0.75に改善された。更なる方法検証のために,cv.”Pinova”リンゴ樹木を2012年にもう1品種として使用し,6月後の初期期間に対するBPNN予測モデルを開発した。モデルは2013年に使用され,それはcv.”Gala”と類似の結果を与えた;(4)全体として,本研究において,提案した推定モデルは,画像分析アルゴリズムを用いてキャノピーと果実特徴を用いて正確に機能することを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  断面積 ,  *ネットワーク ,  マーケティング ,  *ニューラルネットワーク ,  相関係数 ,  画素 ,  品種 ,  *果実【器官】 ,  果樹園 ,  *画像分析 ,  *樹冠 ,  予測誤差 ,  予測モデル
準シソーラス用語： 逆伝播ニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (6件)： ANN ,  逆伝搬ニューラルネットワーク(BPNN) ,  画像解析 ,  機械学習 ,  精密園芸 ,  持続可能性

分類 (3件)： 食品の品質  (FJ01040F) ,  果樹  (FC03042G) ,  果実とその加工品  (FJ11030Z)

引用文献 (19件)：

• Wulfsohn, D.; Zamora, F.A.; Téllez, C.P.; Lagos, I.Z.; Marta, G.F. Multilevel systematic sampling to estimate total fruit number for yield forecasts. Precis. Agric. 2012, 13, 256-275.
• Stajnko, D.; Rakun, J.; Blanke, M. Modelling apple fruit yield using image analysis for fruit colour, shape and texture. Europ. J. Hortic. Sci. 2009, 74, 260-267.
• Wachs, J.P.; Sturm, H.J.; Burks, F.; Akhanais, V. Low and high-level visual feature-based apple detection from multi-modal images. Precis. Agric. 2010, 11, 717-735.
• Blanke, M.M. Prediction of apple yields in Europe-Present and new approaches in research. In Proceedings of the 106th Annual Meeting of the Washington State Horticultural Association (WSHA), Yakima, WA, USA, 8-10 December 2011; Smith, L., Ed.; WSHA Publishing: Yakima, WA, USA, 2011; pp. 68-75.
• Zhou, R.; Damerow, L.; Sun, Y.; Blanke, M. Using colour features of cv. ‘Gala’ apple fruits in an orchard in image processing to predict yield. Precis. Agric. 2012, 13, 568-580.

タイトルに関連する用語 (7件)： ニューラルネットワーク ,  リンゴ ,  果実 ,  樹冠 ,  画像解析 ,  早期 ,  収量予測