Computer Vision-Aided Intelligent Monitoring of Coffee: Towards Sustainable Coffee Production

要約

タイトル：コンピュータビジョンによるコーヒーのインテリジェントモニタリング：持続可能なコーヒー生産を目指して

要約：

– コーヒーは、世界的に最も多く消費され、取引されている飲み物の1つであり、収穫されたコーヒーの実を焙煎し挽いて作られます。
– コーヒー畑を定期的に手動で監視し、植物や土壌の健康状態、収量、収穫時期を把握することは、人件費がかかり、時間がかかり、誤りが生じやすい作業です。
– 最近の研究のいくつかは、収穫時のコーヒー収量を推定するためのセンサーを開発していますが、さらに包括的かつ適用範囲の広い技術が不足していました。
– 本研究では、精密農業のアプローチに従い、コーヒープラントの画像処理に機械学習アルゴリズムYOLOを採用しました。
– 最新版のYOLOv7を324の注釈付き画像でトレーニングし、82の未注釈画像を試験データとして評価しました。
– また、トレーニングデータの注釈付けには、機械学習モデルK-meansを使用して、コーヒーフルーツの色クラスを生成しました。
– 最終的に、AIベースのモバイルアプリケーション「CoffeApp」を開発しました。このアプリケーションは、収穫時期を効率的に予測し、コーヒーの収量と品質を推定し、植物の健康状態に関する情報も提供することができます。
– 開発されたモデルは、平均平均精度が0.89であることが確認された。また、セミスーパーバイズド方法では、複数クラスモードでの平均平均精度が0.77であり、監視される方法の平均平均精度がわずか0.60であることを上回り、より迅速かつ正確な注釈付けを実現した。

要約(オリジナル)

Coffee which is prepared from the grinded roasted seeds of harvested coffee cherries, is one of the most consumed beverage and traded commodity, globally. To manually monitor the coffee field regularly, and inform about plant and soil health, as well as estimate yield and harvesting time, is labor-intensive, time-consuming and error-prone. Some recent studies have developed sensors for estimating coffee yield at the time of harvest, however a more inclusive and applicable technology to remotely monitor multiple parameters of the field and estimate coffee yield and quality even at pre-harvest stage, was missing. Following precision agriculture approach, we employed machine learning algorithm YOLO, for image processing of coffee plant. In this study, the latest version of the state-of-the-art algorithm YOLOv7 was trained with 324 annotated images followed by its evaluation with 82 unannotated images as test data. Next, as an innovative approach for annotating the training data, we trained K-means models which led to machine-generated color classes of coffee fruit and could thus characterize the informed objects in the image. Finally, we attempted to develop an AI-based handy mobile application which would not only efficiently predict harvest time, estimate coffee yield and quality, but also inform about plant health. Resultantly, the developed model efficiently analyzed the test data with a mean average precision of 0.89. Strikingly, our innovative semi-supervised method with an mean average precision of 0.77 for multi-class mode surpassed the supervised method with mean average precision of only 0.60, leading to faster and more accurate annotation. The mobile application we designed based on the developed code, was named CoffeApp, which possesses multiple features of analyzing fruit from the image taken by phone camera with in field and can thus track fruit ripening in real time.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI