文献

J-GLOBAL ID：202202224609352496   整理番号：22A0573257

高密度ネット融合YOLOv4を用いた高度掩蔽のための実時間成長段階検出モデル【JST・京大機械翻訳】

Real-time growth stage detection model for high degree of occultation using DenseNet-fused YOLOv4

著者 (3件)： Roy Arunabha M. (University of Michigan, Aerospace Engineering, Ann Arbor, MI 48109, USA) ,  Roy Arunabha M. (Capacloud AI, Deep Learning & Data Science Division, Kolkata, WB 711103, India) ,  Bhaduri Jayabrata (Capacloud AI, Deep Learning & Data Science Division, Kolkata, WB 711103, India)
資料名： Computers and Electronics in Agriculture  (Computers and Electronics in Agriculture)
巻： 193  ページ： Null  発行年： 2022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： 農業成長段階のリアルタイム検出は,商業果樹園における収量と知的散布を推定する重要なステップの1つである。しかし,周辺葉での occultationの程度,隣接果実間の有意な重複,サイズ,色,クラスタ密度,および他の成長特性の違いにより,従来の検出法は,異なる成長相を検出する精度に限界がある。本研究は,特徴転送と再利用を最適化するために,バックボーンにおける高密度Netを含むYOLOv4アルゴリズムの改良型バージョンに基づくリアルタイム物体検出フレームワーク高密度YOLOv4を提案する。さらに,改良経路凝集ネットワーク(PANet)を,細粒局所情報を保存するために実行した。このモデルを適用して,複雑な果樹園シナリオにおける高い occultation度を有するマンゴーの異なる成長段階を検出した。44.2FPSの検出率で,提案モデルの平均精度(mAP)とF1スコアは,それぞれ96.20%と93.61%に達した。提案した高密度YOLOv4は,精度,再現,F1スコア,およびmAPにおいて,それぞれ7.94%,13.10%,10.47%,および4.73%の増加を有する最先端のYOLOv4を凌駕した。本研究は,複雑な果樹園シナリオの下で異なる成長段階を検出する効果的で効率的な枠組みを提供し,異なる果実と作物検出,病気検出,および異なる自動化農業応用へ拡張できる。Copyright 2022 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： アルゴリズム ,  凝集 ,  最適化 ,  自動化 ,  ネットワーク ,  農作物 ,  *成長 ,  マンゴー ,  検出法 ,  クラスタ ,  *モデル ,  *成長段階 ,  果樹園 ,  コンピュータビジョン

著者キーワード (5件)： 実時間オブジェクト検出 ,  深層学習 ,  畳込みニューラルネットワーク(CNN) ,  人工知能-コンピュータビジョン ,  高密度YOLOV4

分類 (1件)： 酸化物系超伝導体の物性  (BM04023I)

タイトルに関連する用語 (7件)： ネット ,  融合 ,  高度 ,  掩蔽 ,  実時間 ,  成長段階 ,  モデル