@article{oai:tuis.repo.nii.ac.jp:02000075,
 author = {朴 鍾 杰 and 張 九匀 and Jonggeol,Park and JiuYun, Zhang},
 issue = {2},
 journal = {東京情報大学研究論集},
 month = {Mar},
 note = {本研究では、ドローン観測画像を用いてキャベツの成長ステージを推定するために最適な学習データ生成方法について調べた。主なアプローチとして、１．観測高度に基づくキャベツ成長ステージの推定、２．混合解像度モデルを用いた成長ステージの推定について行った。物体検出には、物体の位置とカテゴリを同時に特定するYOLOモデルを採用した。学習データは、高度10mから得られた画像を使用して学習モデルを構築した場合、高度10mの検証データに対するmAP@0.5は0.94であったが、100mの高度での検証データに対する精度は0.156と非常に低い結果となった。逆に、高度100mで収集した画像から学習したモデルは、高解像度検証画像で最も低い精度を示した。そのため、混合解像度学習データを使用して学習した結果、高解像度画像と低解像度画像の両方において高い検出精度が得られることが分かった。, In this study, we evaluated the accuracy improvement in machine learning used for estimating the growth stages of cabbage using drone images captured at different altitudes. We adopted the YOLO model for object detection, which simultaneously identifies the position and category of objects. We constructed the learning model using images obtained at an altitude of 10 meters and the mAP@0.5 for the validation data at this altitude was found to be 0.94. However, the accuracy for validation data at an altitude of 100 meters was significantly lower at 0.156. Moreover, the model trained with images collected at an altitude of 100 meters exhibited the lowest accuracy, especially for high-resolution images. We found that high detection accuracy was achieved for both high-resolution and low-resolution images by using mixed-resolution training data., 3},
 pages = {35--44},
 title = {ドローン観測によるキャベツ生育ステージ推定学習モデルの提案},
 volume = {27},
 year = {2024},
 yomi = {パク, チョンカル and チョウ，キュウエン}
}