Deep Learning approach for Classifying Trusses and Runners of Strawberries

要約

農業分野における人工知能の利用は、農作業の自動化のために急増しています。新興の農業技術は、植物、果物、病気、土壌の種類のマッピングと分類に重点を置いています。ディープラーニングアルゴリズムを用いた収穫や剪定のアシストアプリケーションは初期の開発段階ですが、このようなプロセスを自動化するソリューションが求められています。本論文では、セマンティックセグメンテーションとデータセット拡張を用いたイチゴのトラスとランナーの分類のためのディープラーニングの使用を提案する。提案アプローチは、データセットを人工的に増強し、データサンプル数の少なさを補い、全体の分類性能を向上させるためのノイズ（すなわち、ガウス、スペックル、ポアソン、ソルト・アンド・ペッパー）の使用に基づいている。結果は、精度、再現率、F1スコアの平均値で評価される。提案手法は、Salt-and-Pepperノイズを用いたResNet101のトラス検出において、精度、再現率、F1スコアで、それぞれ91%、95%、92%を達成し、Poissonノイズを用いたResNet50のトラス検出において、精度、再現率、F1スコアで、それぞれ83%、53%、65%を達成した。

要約(オリジナル)

The use of artificial intelligence in the agricultural sector has been growing at a rapid rate to automate farming activities. Emergent farming technologies focus on mapping and classification of plants, fruits, diseases, and soil types. Although, assisted harvesting and pruning applications using deep learning algorithms are in the early development stages, there is a demand for solutions to automate such processes. This paper proposes the use of Deep Learning for the classification of trusses and runners of strawberry plants using semantic segmentation and dataset augmentation. The proposed approach is based on the use of noises (i.e. Gaussian, Speckle, Poisson and Salt-and-Pepper) to artificially augment the dataset and compensate the low number of data samples and increase the overall classification performance. The results are evaluated using mean average of precision, recall and F1 score. The proposed approach achieved 91\%, 95\% and 92\% on precision, recall and F1 score, respectively, for truss detection using the ResNet101 with dataset augmentation utilising Salt-and-Pepper noise; and 83\%, 53\% and 65\% on precision, recall and F1 score, respectively, for truss detection using the ResNet50 with dataset augmentation utilising Poisson noise.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL