Agricultural Object Detection with You Look Only Once (YOLO) Algorithm: A Bibliometric and Systematic Literature Review

要約

ビジョンは、農業で使用されるいくつかのデジタル技術やツールの主要なコンポーネントです。
物体検出器である You Look Only Once (YOLO) は、その最先端のパフォーマンスにより、比較的短期間で農業分野で普及しました。
YOLO は、精度の高いリアルタイム検出を提供し、監視、監視、センシング、自動化、ロボティクスなどのさまざまな農業作業に実装されています。
農業におけるYOLOの研究と応用は急速に加速していますが、断片的で学際的です。
さらに、物体検出器の性能特性 (つまり、精度、速度、計算) は、農業における技術の導入率と採用率に影響を与えます。
したがって、この研究は、農産物認識のための YOLO の進歩と応用を記録し、批判的に評価するために広範な文献を収集することを目的としています。
まず、農業分野における YOLO の学術的状況を理解するために、257 件の論文の書誌学的レビューを実施しました。
次に、特定の農業作業に関する YOLO の現在の知識、ギャップ、修正点を特定するために、30 件の論文の系統的レビューを実施しました。
この研究では、データの取得、処理、ネットワークの変更、統合、展開など、YOLO のエンドツーエンドの学習アプローチに関する情報を批判的に評価し、要約しています。
また、農業対象物や環境固有の課題に対応するための、タスク固有の YOLO アルゴリズムの修正と統合についても説明しました。
一般に、YOLO に統合されたデジタル ツールとテクノロジーは、リソース効率を最大化しながら、労働力、生産コスト、環境への影響を削減するリアルタイムの自動監視、監視、オブジェクト処理の可能性を示しています。
この研究は詳細な文書を提供し、農業におけるYOLOの適用に関する既存の知識を大幅に進歩させ、科学界に大きな利益をもたらす可能性があります。

要約(オリジナル)

Vision is a major component in several digital technologies and tools used in agriculture. The object detector, You Look Only Once (YOLO), has gained popularity in agriculture in a relatively short span due to its state-of-the-art performance. YOLO offers real-time detection with good accuracy and is implemented in various agricultural tasks, including monitoring, surveillance, sensing, automation, and robotics. The research and application of YOLO in agriculture are accelerating rapidly but are fragmented and multidisciplinary. Moreover, the performance characteristics (i.e., accuracy, speed, computation) of the object detector influence the rate of technology implementation and adoption in agriculture. Thus, the study aims to collect extensive literature to document and critically evaluate the advances and application of YOLO for agricultural object recognition. First, we conducted a bibliometric review of 257 articles to understand the scholarly landscape of YOLO in agricultural domain. Secondly, we conducted a systematic review of 30 articles to identify current knowledge, gaps, and modifications in YOLO for specific agricultural tasks. The study critically assesses and summarizes the information on YOLO’s end-to-end learning approach, including data acquisition, processing, network modification, integration, and deployment. We also discussed task-specific YOLO algorithm modification and integration to meet the agricultural object or environment-specific challenges. In general, YOLO-integrated digital tools and technologies show the potential for real-time, automated monitoring, surveillance, and object handling to reduce labor, production cost, and environmental impact while maximizing resource efficiency. The study provides detailed documentation and significantly advances the existing knowledge on applying YOLO in agriculture, which can greatly benefit the scientific community.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google