JP2022114352A - 人工知能(ai)による推定システム、学習データ生成装置、学習装置、摘果対象物推定装置、学習システム、及び、プログラム - Google Patents
人工知能(ai)による推定システム、学習データ生成装置、学習装置、摘果対象物推定装置、学習システム、及び、プログラム Download PDFInfo
- Publication number
- JP2022114352A JP2022114352A JP2021010624A JP2021010624A JP2022114352A JP 2022114352 A JP2022114352 A JP 2022114352A JP 2021010624 A JP2021010624 A JP 2021010624A JP 2021010624 A JP2021010624 A JP 2021010624A JP 2022114352 A JP2022114352 A JP 2022114352A
- Authority
- JP
- Japan
- Prior art keywords
- image data
- learning
- thinning
- unit
- estimation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013473 artificial intelligence Methods 0.000 title abstract description 3
- 238000000605 extraction Methods 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims description 93
- 235000013399 edible fruits Nutrition 0.000 claims description 69
- 238000012545 processing Methods 0.000 claims description 65
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 43
- 238000010586 diagram Methods 0.000 description 37
- 230000010365 information processing Effects 0.000 description 15
- 238000011156 evaluation Methods 0.000 description 9
- 238000011176 pooling Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000003306 harvesting Methods 0.000 description 6
- 230000012447 hatching Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 241000227653 Lycopersicon Species 0.000 description 5
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 5
- 238000011049 filling Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 241000219094 Vitaceae Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 235000021021 grapes Nutrition 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000000873 masking effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000167854 Bourreria succulenta Species 0.000 description 1
- 208000032544 Cicatrix Diseases 0.000 description 1
- 241000723267 Diospyros Species 0.000 description 1
- 235000011511 Diospyros Nutrition 0.000 description 1
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 241000132456 Haplocarpha Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 235000001630 Pyrus pyrifolia var culta Nutrition 0.000 description 1
- 240000002609 Pyrus pyrifolia var. culta Species 0.000 description 1
- 235000009754 Vitis X bourquina Nutrition 0.000 description 1
- 235000012333 Vitis X labruscana Nutrition 0.000 description 1
- 240000006365 Vitis vinifera Species 0.000 description 1
- 235000014787 Vitis vinifera Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000019693 cherries Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 230000037387 scars Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 235000021012 strawberries Nutrition 0.000 description 1
- 230000036561 sun exposure Effects 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
Description
学習データを生成する学習データ生成装置、生成部と識別部を有し、かつ、前記学習データを用いて学習モデルを学習させる学習装置、及び、前記学習装置が学習させた学習済みモデルを用いる摘果対象物推定装置を有する推定システムでは、
前記学習データ生成装置は、
摘果前の農作物を示す画像データである第1入力画像データ、及び、摘果後の前記農作物を示す画像データである第2入力画像データを入力する画像データ入力部と、
前記農作物の実、花、葉、又は、これらの組み合わせである対象物体のうち、前記第1入力画像データ、及び、前記第2入力画像データの差異となる対象物体を摘果対象物として抽出する抽出部と、
前記第1入力画像データ、及び、前記抽出部による抽出結果のセットを第1学習データとして学習し、かつ、前記摘果対象物を推定した結果を示す推定結果画像データを生成する生成部と、
前記推定結果画像データを識別して、識別結果に基づき第2学習データを生成する識別部と
を備え、
前記学習装置は、
前記第2学習データを入力する学習データ入力部と、
前記第2学習データにより、摘果対象物を推定した結果を示す推定結果画像データを生成する前記生成部と、
前記学習データと比較して、前記推定結果画像データを識別して、識別結果を前記生成部へフィードバックさせて前記学習モデルを学習させる前記識別部と
を備え、
前記摘果対象物推定装置は、
未知の摘果前の農作物を示す未知画像データを入力する画像データ入力部と、
前記学習済みモデルにより、前記摘果対象物を推定する推定部と、
前記推定部による推定結果を出力する出力部と
を備える。
図1は、AI用の学習データ生成装置の全体構成例を示す図である。例えば、AI用の学習データ生成装置(以下「学習データ生成装置10」という。)は、以下のように用いる。
図2は、情報処理装置のハードウェア構成例を示す図である。例えば、学習データ生成装置10は、Central Processing Unit(CPU、以下「CPU10H1」という。)、記憶装置10H2、インタフェース10H3、入力装置10H4、及び、出力装置10H5等を有するハードウェア構成である。また、学習データ生成装置10は、Graphics Processing Unit(GPU、以下「GPU10H6」という。)を有するハードウェア構成であるのが望ましい。
学習データ生成装置10は、摘果作業を行う前の農作物(以下、摘果作業前の状態の農作物を「第1農作物12」という。)をカメラ11で撮影した画像データ(以下「第1入力画像データ11D1」という。)を入力する。なお、カメラ11等の撮影装置は、学習データ生成装置10が有する構成でもよい。
図3は、第1実施形態の全体処理例を示す図である。
図4は、敵対的生成ネットワークの構成例を示す図である。例えば、学習データ生成装置10は、抽出部10F2、生成部10F3、及び、識別部10F4等により、以下のような構成であるのが望ましい。
第1入力画像データ11D1、及び、第2入力画像データ11D2等の入力画像データは、例えば、以下のように撮影されるのが望ましい。
第2実施形態は、第1実施形態と比較すると、全体処理が以下のようになる点が異なる。
図11は、対象物体の認識例を示す図である。以下、図11(A)に示す第1入力画像データ11D1を例に説明する。
図12は、全体処理の処理結果例を示す図である。以下、図12(A)及び図12(B)を摘果前及び摘果後とする場合を例に説明する。
図13は、学習装置の構成例を示す図である。第1実施形態等と比較すると、第3実施形態における学習データ生成装置10等の構成は、例えば、第1実施形態と同様である。一方で、学習装置301は、情報処理装置等である。なお、学習データ生成装置10、及び、学習装置301は同じ情報処理装置等でもよい。
図15は、学習装置の機能構成例を示す図である。例えば、学習装置301は、画像データ入力部10F1、学習データ入力部301F1、生成部10F3、及び、識別部10F4等を備える機能構成である。なお、学習装置301は、抽出部10F2、マスク画像データ生成部10F5、及び、イラスト化処理部10F6を更に備える機能構成であるのが望ましい。以下、図示する機能構成を例に説明する。
図16は、摘果対象物推定装置の構成例を示す図である。以下、未知の摘果前の農作物を示す画像データの例を「未知画像データ401」という。
図18は、摘果対象物推定装置の機能構成例を示す図である。例えば、摘果対象物推定装置402は、画像データ入力部10F1、推定部402F1、及び、出力部402F2等を備える機能構成である。なお、摘果対象物推定装置402は、抽出部10F2、マスク画像データ生成部10F5、及び、イラスト化処理部10F6を更に備える機能構成であるのが望ましい。以下、図示する機能構成を例に説明する。
図19は、機能構成例を示す図である。例えば、学習データ生成装置10は、画像データ入力部10F1、抽出部10F2、生成部10F3、及び、識別部10F4等を備える機能構成である。また、学習データ生成装置10は、図示するように、マスク画像データ生成部10F5、及び、イラスト化処理部10F6等を更に備える機能構成であるのが望ましい。
図20は、推定システムの機能構成例を示す図である。例えば、推定システム501は、学習データ生成装置10、学習装置301、及び、摘果対象物推定装置402等で構成する。ただし、推定システム501は、学習データ生成装置10がなくともよい。すなわち、推定システム501は、学習データ15に、撮影した画像データを用いる、学習データ生成装置10が生成した画像データを用いる、及び、両方を用いるのうち、いずれでもよい。
第1学習データ、及び、第2学習データ等の学習データは、農作物を抽出した形式の画像データを用いるのが望ましい。ただし、抽出は、複数の段階に分けて行ってもよい。このような場合において、学習装置301は、抽出において、途中の段階となる形式の画像データ等を学習データに含めてもよい。
AIは、例えば、以下のようなネットワーク構造で画像データ等を処理する。
学習データ生成装置10、学習装置301、及び、摘果対象物推定装置402は、異なる種類の情報処理装置であってもよい。すなわち、学習データ生成装置10、学習装置301、及び、摘果対象物推定装置402は、異なるハードウェア構成であってもよい。
10F1 :画像データ入力部
10F2 :抽出部
10F3 :生成部
10F4 :識別部
10F5 :マスク画像データ生成部
10F6 :イラスト化処理部
11 :カメラ
11D1 :第1入力画像データ
11D2 :第2入力画像データ
12 :第1農作物
13 :第2農作物
14 :作業者
15 :学習データ
20 :抽出結果
21 :推定結果画像データ
22 :正解データ
31 :第1物体
32 :第2物体
33 :第3物体
34 :第4物体
40 :マスク画像データ
41 :第1対象物体
42 :第2対象物体
43 :第3対象物体
44 :第4対象物体
50 :イラスト化画像データ
51 :対象物体領域
52 :塗り潰し領域
101 :第1対象物体
102 :第2対象物体
103 :第3対象物体
104 :第4対象物体
105 :第5対象物体
106 :第6対象物体
107 :第7対象物体
301 :学習装置
301F1 :学習データ入力部
301F2 :学習部
302 :学習モデル
303 :学習済みモデル
401 :未知画像データ
402 :摘果対象物推定装置
402F1 :推定部
402F2 :出力部
403 :出力画面
404 :ユーザ
405 :設定画面
500 :学習システム
Claims (15)
- 学習データを生成する学習データ生成装置、生成部と識別部を有し、かつ、前記学習データを用いて学習モデルを学習させる学習装置、及び、前記学習装置が学習させた学習済みモデルを用いる摘果対象物推定装置を有する推定システムであって、
前記学習データ生成装置は、
摘果前の農作物を示す画像データである第1入力画像データ、及び、摘果後の前記農作物を示す画像データである第2入力画像データを入力する画像データ入力部と、
前記農作物の実、花、葉、又は、これらの組み合わせである対象物体のうち、前記第1入力画像データ、及び、前記第2入力画像データの差異となる対象物体を摘果対象物として抽出する抽出部と、
前記抽出部による抽出結果を含む第1学習データを用いて学習し、かつ、前記摘果対象物を推定した結果を示す推定結果画像データを生成する生成部と、
前記推定結果画像データを識別して、識別結果に基づき第2学習データを生成する識別部と
を備え、
前記学習装置は、
前記第2学習データを入力する学習データ入力部と、
前記第2学習データにより、摘果対象物を推定した結果を示す推定結果画像データを生成する前記生成部と、
前記学習データと比較して、前記推定結果画像データを識別して、識別結果を前記生成部へフィードバックさせて前記学習モデルを学習させる前記識別部と
を備え、
前記摘果対象物推定装置は、
未知の摘果前の農作物を示す未知画像データを入力する画像データ入力部と、
前記学習済みモデルにより、前記摘果対象物を推定する推定部と、
前記推定部による推定結果を出力する出力部と
を備える推定システム。 - 前記学習装置は、
前記対象物体と、前記対象物体以外とを区別して示すマスク画像データを生成するマスク画像データ生成部を更に備える
請求項1に記載の推定システム。 - 前記マスク画像データ生成部は、
前記対象物体を識別するインスタンスセグメンテーションを行う前記マスク画像データを生成する
請求項2に記載の推定システム。 - 前記学習装置は、
前記対象物体をイラスト化するイラスト化処理部を更に備える
請求項1乃至3のいずれか1項に記載の推定システム。 - 前記学習装置において、
前記第1入力画像データ、及び、前記第2入力画像データは、
複数の視点で撮影される動画、又は、複数の静止画を示す画像データであって、前記農作物の全周を示す
請求項1乃至4のいずれか1項に記載の推定システム。 - 前記学習装置において、
前記生成部、及び、前記識別部は、
敵対的生成ネットワークを構成し、
前記生成部は、
前記識別部に本物と識別されるのを狙って前記推定結果画像データを生成し、
前記識別部は、
前記抽出結果を示す本物であるか、又は、前記生成部に生成された前記推定結果画像データである偽物であるかを識別し、
前記生成部、及び、前記識別部は、
前記識別部によって本物であると識別した前記推定結果画像データを前記第2学習データとして生成する
請求項1乃至5のいずれか1項に記載の推定システム。 - 生成部と識別部を有する学習モデルを学習させる学習装置であって、
摘果前の農作物を示す画像データである第1入力画像データ、及び、摘果後の前記農作物を示す画像データである第2入力画像データを入力する画像データ入力部と、
前記農作物における摘果対象物を推定した結果を示す推定結果画像データを生成する前記生成部と、
前記推定結果画像データを識別して、識別結果を前記生成部へフィードバックさせて前記学習モデルを学習させる前記識別部と
を備える学習装置。 - 請求項7に記載の学習装置が学習させた学習済みモデルを用いる摘果対象物推定装置であって、
未知の摘果前の農作物を示す未知画像データを入力する画像データ入力部と、
前記学習済みモデルにより、前記摘果対象物を推定する推定部と、
前記推定部による推定結果を出力する出力部と
を備える摘果対象物推定装置。 - 対象物体と、前記対象物体以外とを区別して示すマスク画像データを生成するマスク画像データ生成部を更に備える
請求項8に記載の摘果対象物推定装置。 - 前記第1入力画像データにおける対象物体をイラスト化するイラスト化処理部を更に備える
請求項8又は9に記載の摘果対象物推定装置。 - 請求項1に記載の学習データ生成装置、
及び、
請求項7に記載の学習装置を有する
学習システム。 - 摘果前の農作物を示す画像データである第1入力画像データ、及び、摘果後の前記農作物を示す画像データである第2入力画像データを入力する画像データ入力部と、
前記農作物の実、花、葉、又は、これらの組み合わせである対象物体のうち、前記第1入力画像データ、及び、前記第2入力画像データの差異となる対象物体を摘果対象物として抽出する抽出部と、
前記抽出部による抽出結果を含む第1学習データを用いて学習し、かつ、前記摘果対象物を推定した結果を示す推定結果画像データを生成する生成部と、
前記推定結果画像データを識別して、識別結果に基づき第2学習データを生成する識別部と
を備える学習データ生成装置。 - コンピュータに学習データ生成方法を実行させるためのプログラムであって、
コンピュータが、摘果前の農作物を示す画像データである第1入力画像データ、及び、摘果後の前記農作物を示す画像データである第2入力画像データを入力する画像データ入力手順と、
コンピュータが、前記農作物の実、花、葉、又は、これらの組み合わせである対象物体のうち、前記第1入力画像データ、及び、前記第2入力画像データの差異となる対象物体を摘果対象物として抽出する抽出手順と、
コンピュータが、前記抽出手順による抽出結果を含む第1学習データで学習し、かつ、前記摘果対象物を推定した結果を示す推定結果画像データを生成する生成手順と、
コンピュータが、前記推定結果画像データを識別して、識別結果に基づき第2学習データを生成する識別手順と
を実行させるためのプログラム。 - 生成部と識別部を有するコンピュータに学習方法を実行させるためのプログラムであって、
コンピュータが、摘果前の農作物を示す画像データである第1入力画像データ、及び、摘果後の前記農作物を示す画像データである第2入力画像データを入力する画像データ入力手順と、
コンピュータが、前記農作物における摘果対象物を推定した結果を示す推定結果画像データを生成する生成手順と、
コンピュータが、前記推定結果画像データを識別して、識別結果を前記生成部へフィードバックさせて学習モデルを学習させる識別手順と
を実行させるためのプログラム。 - 請求項14に記載のプログラムを実行して学習させた学習済みモデルを用いるコンピュータに推定方法を実行させるためのプログラムであって、
コンピュータが、未知の摘果前の農作物を示す未知画像データを入力する画像データ入力手順と、
コンピュータが、前記学習済みモデルにより、前記摘果対象物を推定する推定手順と、
コンピュータが、前記推定手順による推定結果を出力する出力手順と
を実行させるためのプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021010624A JP6964316B1 (ja) | 2021-01-26 | 2021-01-26 | 人工知能(ai)による推定システム、学習データ生成装置、学習装置、摘果対象物推定装置、学習システム、及び、プログラム |
JP2021112182A JP6994212B1 (ja) | 2021-01-26 | 2021-07-06 | 人工知能(ai)の学習装置、摘果対象物推定装置、推定システム、及び、プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021010624A JP6964316B1 (ja) | 2021-01-26 | 2021-01-26 | 人工知能(ai)による推定システム、学習データ生成装置、学習装置、摘果対象物推定装置、学習システム、及び、プログラム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021112182A Division JP6994212B1 (ja) | 2021-01-26 | 2021-07-06 | 人工知能(ai)の学習装置、摘果対象物推定装置、推定システム、及び、プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6964316B1 JP6964316B1 (ja) | 2021-11-10 |
JP2022114352A true JP2022114352A (ja) | 2022-08-05 |
Family
ID=78466147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021010624A Active JP6964316B1 (ja) | 2021-01-26 | 2021-01-26 | 人工知能(ai)による推定システム、学習データ生成装置、学習装置、摘果対象物推定装置、学習システム、及び、プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6964316B1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7090255B1 (ja) * | 2022-01-12 | 2022-06-24 | 国立大学法人山梨大学 | 情報処理装置、システム、プログラム、及び情報処理方法 |
CN115943809B (zh) * | 2023-03-09 | 2023-05-16 | 四川省农业机械研究设计院 | 一种基于质量评价的采茶优化方法和系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016194564A (ja) * | 2015-03-31 | 2016-11-17 | Necソリューションイノベータ株式会社 | 技能学習支援装置、技能学習支援方法、及びプログラム |
-
2021
- 2021-01-26 JP JP2021010624A patent/JP6964316B1/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016194564A (ja) * | 2015-03-31 | 2016-11-17 | Necソリューションイノベータ株式会社 | 技能学習支援装置、技能学習支援方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP6964316B1 (ja) | 2021-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148120B (zh) | 一种基于cnn与迁移学习的病害智能识别方法及系统 | |
Dias et al. | Multispecies fruit flower detection using a refined semantic segmentation network | |
Yin et al. | Computer vision and machine learning applied in the mushroom industry: A critical review | |
Bah et al. | Deep learning based classification system for identifying weeds using high-resolution UAV imagery | |
Cha et al. | Adversarial nets with perceptual losses for text-to-image synthesis | |
JP6964316B1 (ja) | 人工知能(ai)による推定システム、学習データ生成装置、学習装置、摘果対象物推定装置、学習システム、及び、プログラム | |
Huang et al. | Real-time classification of green coffee beans by using a convolutional neural network | |
CN112990103B (zh) | 一种基于机器视觉的串采二次定位方法 | |
CN113252584B (zh) | 基于5g传输的作物生长检测方法及系统 | |
CN116363505A (zh) | 一种基于采摘机器人视觉系统的目标采摘方法 | |
JP6994212B1 (ja) | 人工知能(ai)の学習装置、摘果対象物推定装置、推定システム、及び、プログラム | |
Raj et al. | Fruit Classification Comparison Based on CNN and YOLO | |
McLeay et al. | Deep convolutional neural networks with transfer learning for waterline detection in mussel farms | |
Buayai et al. | Supporting table grape berry thinning with deep neural network and augmented reality technologies | |
Liu et al. | “Is this blueberry ripe?”: a blueberry ripeness detection algorithm for use on picking robots | |
CN109460485A (zh) | 一种图像库建立方法、装置和存储介质 | |
Hedayati et al. | Generalization approach for CNN-based object detection in unconstrained outdoor environments | |
Yang et al. | Cherry recognition based on color channel transform | |
CN113221704A (zh) | 基于深度学习的动物姿态识别方法、系统及存储介质 | |
Hashim et al. | Grey oyster mushroom classification toward a smart mushroom grading system for agricultural factory | |
Fukuyama et al. | Study of flower image classification using deep learning to support agricultural pollination | |
Abubeker et al. | Computer Vision Assisted Real-Time Bird Eye Chili Classification Using YOLO V5 Framework | |
Jiao et al. | Real-time litchi detection in complex orchard environments: A portable, low-energy edge computing approach for enhanced automated harvesting | |
Schnell | Plant detection and classification in agricultural fields | |
CN114758132B (zh) | 一种基于卷积神经网络的果树病虫害识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210126 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210126 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20210322 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210330 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20210520 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210706 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210914 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211011 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6964316 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |