RGBベースのディープラーニングによるイチゴの凍結損傷検出：カスタムデータにおけるスクラッチ学習と転移学習アプローチの比較
Nijhum Paul1,2, G C Sunil1, Amin Khan3
1Department of Agricultural and Biosystems Engineering North Dakota State University Fargo North Dakota USA.
Plant direct
|December 15, 2025
まとめ
スクラッチから学習されたディープラーニングモデルは、転移学習を上回り、イチゴの凍結損傷を正確に分類します。ResNet-50は97%の精度を達成し、農業のための迅速で自動化されたソリューションを提供します。
科学分野:
- 農業科学
- コンピュータービジョン
- 機械学習
背景:
- 凍結損傷はイチゴの作物に大きな影響を与え、経済的損失を引き起こします。
- 手動による損傷評価は非効率的で、主観的で、労働集約的です。
研究 の 目的:
- ディープラーニングとコンピュータービジョンを使用したイチゴ植物の自動凍結損傷分類を開発および評価すること。
- さまざまな畳み込みニューラルネットワーク（CNN）アーキテクチャと学習方法のパフォーマンスを比較すること。
主な方法:
- 凍結損傷分類のためにイチゴ植物のRGB画像を利用しました。
- DenseNet-121、Inception V3、ResNet-50、Xceptionの4つのCNNアーキテクチャを評価しました。
- 転移学習（TL）とスクラッチからのモデル学習を比較しました。
主要な成果:
- スクラッチから学習されたモデルはTLモデルを上回り、ResNet-50は97%の精度を達成しました。
- ResNet-50は最も高速な推論時間（3.0秒）を提供し、DenseNet-121は最もメモリ効率が良い（26.86MB）でした。
- モデルは重度の損傷を効果的に特定しましたが、軽度または軽微な損傷の識別には苦労しました。
結論:
- スクラッチから学習されたディープラーニングモデルは、イチゴの凍結損傷分類のためのより正確な自動化ソリューションを提供します。
- ResNet-50は速度が重要なアプリケーションに適しており、DenseNet-121はメモリが制約された環境に適しています。
- ディープラーニングは、従来の凍結損傷評価方法に代わる、迅速で正確で非破壊的な方法を提供します。
