深層学習を使用した熟度等級付けのためのアブラヤシ果実房の山の注釈付きデータセット

Scientific Data volume 10、記事番号: 72 (2023) この記事を引用

2091 アクセス

4 オルトメトリック

メトリクスの詳細

パーム油の品質は、パーム油に加工される果実の成熟度に大きく影響されます。コンピュータビジョンを使用して品質を向上させるために、アブラヤシ果実の成熟レベルを検出および分類するための多くの研究が行われてきました。しかし、これらの研究のほとんどは、アブラヤシの生果房 (FFB) の画像の形式のデータセットを使用しており、パーム油工場の実際の状況に応じた分類は不完全です。したがって、この研究では、パーム油工場のグレーディングセクションが直面する実際の状況に応じて、さまざまなカテゴリのビデオと画像の形式でパーム油工場から直接取得した新しい完全なデータセットを導入します。ビデオデータセットは、FFB 動画の単一カテゴリを持つ 45 個のビデオと、各ビデオに複数のカテゴリを持つ FFB コレクションを持つ 56 個のビデオで構成されます。動画はスマートフォンを使用して収集され、サイズは 1280 × 720 ピクセル、.mp4 形式です。さらに、このデータセットには、アブラヤシ果実の成熟度レベルに基づいて、未熟、熟していない、熟している、熟しすぎ、空の房、異常な果実の 6 つのカテゴリで注釈が付けられ、ラベルが付けられています。

高品質のパーム油を生産するには、成熟したパーム果実が必要です。アブラヤシ果実房 (FFB) の成熟度は、通常、房から落ちる緩い果実の数によって決まります1。また、果実の色が黒からオレンジになることからも成熟度がわかります。通常、FFB の成熟度の判断は、果実の色の目視検査によって行われます。 FFB が高い木の上にある場合、色の熟度を視覚的に検査することにはいくつかの欠点があり、観察者の認識に依存します。果実が落ちるのを待って熟度を検出すると、作物の損失が発生する可能性があります。高い木の熟度を検出すると、距離や照明の関係で観察者が熟した果実を確認することが困難になります。アブラヤシ果実の熟度の検出に関連する多くの研究が、コンピュータビジョンアプローチ 2、3、4、5、6、7、8、9、10、11、12 または光センサーアプローチ 13、14 のいずれかを使用して実施されています。、15、16、17 が挙げられるが、アブラヤシ果実は熟した果実の色むら、房内のアブラヤシ果実が小さく見えること、果実の成熟度が個体によって異なることなど、アブラヤシ果実の複雑な特徴により満足な結果が得られていない。品種。表 1 は、アブラヤシ FFB の成熟レベルを分類および検出するための研究の結果を示しています。このデータセットには、不完全な分類や FBB バリエーションの欠如などの制限があり、現実世界の状況とは大きく異なります。

コンピュータービジョンを使用した研究は通常、入力画像に基づいて果実の色を検出することによって行われますが、光センサーを使用した研究はアブラヤシの果実に発せられた光のスペクトルの結果を分析することによって行われます。これまでの研究のほとんどは、アブラヤシ画像入力またはアブラヤシ果実の色スペクトルを使用していました。これは、この入力を使用すると検出プロセスがより効率的になるためです。入力画像を使用したコンピュータビジョンアプローチを使用したこれまでのいくつかの研究は、生、未熟、熟した 3 つのクラス 18 による SVM 手法を使用して実行されました。熟度検出のための深層学習による研究は、EfficientNet3 と単一画像データセットを使用して実行されました。 3 クラスのデータセットを備えた YOLOv4 を使用したリアルタイムのアブラヤシ熟度検出が収穫システムに提案されており 19、収穫プロセスにおけるリアルタイムの熟度検出の別の研究が YOLOv320 を使用して提案されています。この文献研究の結果に基づくと、さまざまなカテゴリまたは単一のカテゴリを持つアブラヤシの新鮮な果実の束のコレクションまたは山の画像やビデオの形式のアブラヤシデータセットは存在しません。この論文は、南カリマンタンのパーム油工場から直接採取されたアブラヤシの新鮮な果物の束のコレクションまたは山からの画像およびビデオデータセットを提供します。等級分けでは、スマートフォンを用いてアブラヤシ果実の成熟度を未熟、未熟、熟、過熟、空房、異常果の6段階で判定した（図1）。 YOLOv4 を使用してリアルタイムでアブラヤシを検出する研究があり、使用されるデータは、熟したクラスと未熟なクラスの木にまだ付着しているアブラヤシの新鮮な果実の房です11。ただし、この研究はアブラヤシ農園でのみ使用できるため、完全に適用できるわけではありません。一方、パーム油工場で評価を実施するには、不適切な成熟レベルを避けるために 2 つ以上のクラスが必要です。

アブラヤシFFBの成熟度のイメージ例。

このデータセットは、パーム油搾り工場でのアブラヤシ果実の成熟度レベルの格付けにおいて専門家によって決定および検証された 6 つのカテゴリを持つアブラヤシの新鮮な果実の房のビデオと画像の形式のマルチモーダルデータです。このデータセットは、学生や研究者、アプリケーション開発者、機械学習および深層学習エンジニア、データサイエンティスト、農学者、パーム油工場の選別者、その他の研究者など、多くの関係者が使用できます。データセットは、アプリケーション開発者がデータをテストし、スマートフォンベースのアプリケーションやロボットやその他のデバイスに埋め込まれたアプリケーションの作成に使用できる機械学習モデルを開発するのに非常に役立ちます。このデータは、データサイエンティストが果物の熟度を分類および検出するための適切な方法を見つけるのにも非常に役立ちます。さらに、このデータは、果物の数を効果的かつ効率的に分類および検出するだけでなく、熟度を分類および検出するための深層学習アルゴリズムの開発にも非常に役立ちます。実際のアプリケーションでは、成熟度レベルの推定に誤りが生じてパーム油加工工場に損失が発生しないように、アブラヤシの成熟度レベルを評価する際に一貫性が必要です。動的な輝度、他のオブジェクトによって部分的に隠されたオブジェクト、フレーム間で遷移するときのモーションブラーなどの一部のビデオデータプロパティは、人間の目の仕組みと同じ 21 であるため、ビデオ (または連続画像) は現実世界でより適用しやすくなります。フレーム間につながりのない画像部分と比較して。このデータセットは、アブラヤシ果実の成熟度レベルに関するビデオのコレクションであり、ビデオごとに 1 つのカテゴリがあり、ビデオごとに複数のカテゴリがあります。各ビデオに 1 つのカテゴリを含むデータセットの例を図 2 に示します。また、各画像に複数のカテゴリを含むデータセットの例を図 3 に示します。複数のカテゴリを組み合わせて使用することで、データセットは現場の実際の状況に応じた機械学習を生成できるため、単一カテゴリのデータセットを使用する場合と比較して、より優れたモデルのパフォーマンスを得ることができます。

画像ごとに単一カテゴリのアブラヤシ FFB パイルの例。

画像ごとに複数のカテゴリに対応するアブラヤシの新鮮な果物の束の山の例。 (A) 1 つは空、1 つは熟した、1 つは熟していない。 (B) 2 つは空、2 つは熟していない。 (C) 1 つは空、1 つは熟した、1 つは熟していない。 (D) 2 つの熟したものと 2 つの熟しすぎたもの。 (E) 1 熟度が低く異常である。 (F) 熟した果実 1 つ、空の果実 1 つ、異常な果実 2 つ。

このデータセットは、インドネシアの南カリマンタンにおけるアブラヤシ果実の成熟レベルの等級付けに関するセクションで、いくつかのパーム油工場から収集されました。さまざまな成熟度のアブラヤシの新鮮な果実の房が収集され、工場の裏庭のコンクリートセメントの床を背景にスマートフォンを使用して記録されました。記録戦略では、パーム油 FFB の山の周りでカメラを 360 度回転させて、FFB 位置の大部分をキャプチャします。 FFB の位置の変化は 360 度回転することで取得でき、オイルパームの成熟レベルの全体的な状態を表すことができます。FFB の位置の変化の例を図 4 に示します。ビデオは全体を通して撮影されました。当日、午後 12 時から午後 13 時の間、晴天の場合。天候の問題により常に晴れるとは限らないため、データセットの収集に必要な合計時間は 2 か月と推定されます。したがって、得られるアブラヤシ FFB にはいくつかの異なるバリエーションがあります。

360°方式で取得した動画撮影フレームの例。さまざまな FFB 位置をキャプチャして、アブラヤシの FFB 成熟レベルの状態を表示できます。

図 5 は、生データをすぐに使用できるデータに処理するために実行される前処理フローです。使用した生データはスマートフォンで撮影した解像度1280×720のmp4形式です。すべてのタイプのオブジェクトクラスは、パーム油グレーディングサイトのパーム油専門家によって決定および評価されています。深層学習モデルのトレーニングに使用できるデータは画像の形式です。そこで、ビデオ上のフレームを連続画像に抽出しました。フレーム抽出は、記録率 30 の設定で VLC Media Player22 アプリケーションを使用して実行されました。これは、画像の重複の可能性が非常に小さいように、1 秒ごとに 1 フレームを抽出することを目的としています21。結果の出力解像度は 416 × 416 になります。

データの前処理段階の図。

ビデオから正常に抽出された解像度 416 × 416 の連続画像には、境界ボックスが与えられました。境界ボックスを与えるプロセスは DarkLabel23 を使用して行われました。 DarkLabel は、オブジェクト検出に注釈を付けるためのツールです。DarkLabel で利用できる注釈形式は、Pascal VOC、YOLO、および Multiple Object Tracking (MOT) です。前処理段階では、ボックスとオブジェクト間の密度を確保するために、境界ボックスが各画像に手動で割り当てられました。境界ボックスアノテーターの図を図 6 に示します。アノテーション形式は YOLO 形式で保存されます。 [クラス ID、x、y、w、h] で構成されるアノテーション (.txt)。ここで、x と y はボックスの座標、w は幅、h は高さです。境界ボックスが与えられた各クラスの結果は、別のファイルに保存されます。ボックス状のバリアを作成することでバウンディングボックスを与えます。検出したいオブジェクトを境界線で囲むようにボックスの形状が再配置されます。注釈ファイルは注釈付き画像名と同じ名前で、同じフォルダーに配置されます。

アブラヤシ FFB ビデオのラベルと注釈のイラスト。

図 6 に基づいて、データは 2 つのモーダル、つまりビデオデータセットと画像データセットに記録されました。ビデオデータセットには、単一カテゴリの 45 ファイルと、複数カテゴリのアブラヤシ FFB の 56 ファイルが含まれています。画像データセットには Roboflow24 ソフトウェアを使用して注釈が付けられており、YOLO モデルを使用した熟度の検出と分類の入力データとして使用できます。データセットは Science Data Bank25 で入手できます。使用されたビデオデータの基準は、(1) アブラヤシ FFB の 360 度回転による録画、および (2) ビデオの継続時間は約 10 ～ 15 秒でした。次に、使用されるビデオ基準に基づいて、1 秒ごとに 1 フレームが抽出されます。表 2 に基づいて、アブラヤシ FFB ファイルのビデオから抽出された画像の合計は、14559 個のオブジェクトと 7171 個の画像を含む 4160 ファイルになります。アブラヤシ FFB の山の中に各画像ファイルが複数のオブジェクトクラスを持っているため、アブラヤシ FFB の各成熟度カテゴリの画像ファイルの合計は画像の合計とは異なります。データセットは、70:20:10 の構成を使用してデータトレーニング、検証、テストに分割されており、合計画像はトレーニング用に 2908 枚、検証用に 835 枚、テスト用に 417 枚あります。各カテゴリの画像とオブジェクトの詳細を表 2 に示します。

データ検証のために、表 3 に示すハイパーパラメーターを備えた YOLOv4 モデル 22 を使用してテストされました。データセットに合わせて、幅、高さ、最大バッチ数、ステップなどのハイパーパラメーター値が変更されます。この変更は、最初の YOLOv4 研究26 の推奨事項に従って実装されました。図 7 は、トレーニングおよび検証中のモデルのパフォーマンスのグラフを示しています。グラフに基づいて、検証損失のパフォーマンスがゼロに収束したことを示し、1 に近づいた mAP の値に基づいて、モデルのパフォーマンスが良好であることを示します。表 4 に、使用した各 YOLO モデルのテスト結果を示します。図 8 は、複数の熟度カテゴリを持つパーム油 FFB の入力ビデオを使用したモデルのテスト結果を示しています。トレーニング、検証、テストに利用されるデータは、ビデオから正常に取得された連続画像で構成されているため、現実世界のアプリケーションへの適用が容易になります。連続画像構造により、モデルは複数の観点から FFB の開発レベルを決定することもできます。

モデルのトレーニング損失と検証マップチャート (a) YOLOv4-320、(b) YOLOv4-416、(c) YOLOv4-512。

ビデオ入力によるパーム油の成熟度の検出と分類のための YOLOv4 モデルのテスト結果の例。 (a) 未熟かつ異常な FFB。 (b) 2 つの未熟な FFB と 1 つの熟した FFB。 (c) 未熟、異常、熟した、および熟しすぎた FFB。 (d) 未熟および熟した FFB。

残念ながら、アブラヤシの熟度に関する現在の研究で使用されているオープンデータセットは利用できません。比較すると、現在の研究の典型的なデータセットは、精製パーム油のグレードと生産量を増加させることを試みています2、3、4、5、6、8、10、11、13、15。ただし、この研究で使用されたビデオデータセットは、特にアブラヤシ処理施設におけるアブラヤシの FFB 成熟度レベルの評価を提供することに重点を置いています。ビデオはリアルタイムの状況を厳密に反映しているため、データセットとして使用でき、リアルタイムの採点手順により適しています。ビデオデータセットとリアルタイムの物体検出アルゴリズムを使用すると、アブラヤシ FFB の成熟度レベルを決定する速度が向上します。ただし、ビデオデータセットの使用にはいくつかの課題があります。連続しない写真を使用する場合に比べて、前処理が難しくなります。その場合、トレーニングプロセスの実行に使用されるデータの数が多くなり、モデルのトレーニング時間が長くなる可能性があります。また、このデータセットに含まれるバックグラウンドはアブラヤシの成熟度を評価する場所の裏庭であるため、アブラヤシ農園での直接検出の結果は、アブラヤシ農園のバックグラウンドによりパフォーマンスが低下する可能性があります。パーム油の熟度の FFB が等級付けされる工場の裏庭からの背景よりも複雑です。

既存のデータセットには次のようないくつかの制限があります。

このデータセットは、グレーディングプロセスで異常なデータを取得するためのデータが利用可能であるため、カテゴリごとにバランスが取れていない画像クラスで構成されており、パーム油工場への出荷時に空の房を入手するのが困難です。

データセットは拡張されていないため、モデル開発でより良いパフォーマンスを得るには、データセットを増やすためにデータ拡張を行う必要があります。

データセットの処理に使用されるソフトウェアは、VLC を使用してビデオデータを画像のコレクションに変換するソフトウェアで構成されます (https://www.videolan.org/index.id.html)。

Darklabel を使用して画像の境界ボックスをラベル付けおよび作成するために使用されるソフトウェアは、https://github.com/darkpgmr/DarkLabel によって提供されます。

ラベル付きデータを深層学習による処理モデリングの入力に使用できるデータに変換するために使用されるソフトウェアは Roboflow (https://roboflow.com/) であり、データ検証に使用されるソフトウェアは Python プログラムです。

チュー、CLら。収穫後のアブラヤシ果実の房に外因性エチレンを適用すると、粗パーム油の品質が向上します。食品科学ニュートル。 9 (2021)。

Septiarini, A.、Hamdani, H.、Hatta, HR、Anwar, K. 輪郭ベースのアプローチを適用したアブラヤシ果実の自動画像セグメンテーション。科学。ホルティック。（アムステルダム）。 261 (2020)。

Suharjito、Elwirehardja、GN および Prayoga、JS 深層学習アプローチを使用した、モバイルデバイス上のアブラヤシの新鮮な果房の熟度分類。計算します。電子。農業。 188、106359 (2021)。

記事 Google Scholar

Fadilah, N.、Mohamad-Saleh, J.、Halim, ZA、Ibrahim, H. & Ali, SSS アブラヤシの新鮮な果房の熟度分類のためのインテリジェント色覚システム。センサー (スイス) 12 (2012)。

Sabri, N.、Ibrahim, Z.、Syahlan, S.、Jamil, N. & Mangshor, NNA パーム油の新鮮な果房の熟度を色特徴を使用して識別します。 J.ファンダム。応用科学。 9 (2018)。

Pamornnak, B.、Limsiroratana, S.、Chongcheawchamnan, M. モバイルデバイス用の収穫後のアブラヤシの油分含有量測定スキーム。バイオシスト。工学 134 (2015)。

Herman, H.、Susanto, A.、Cengagoro, TW、Suharjito, S.、Pardamean, B. 深層学習と視覚的注意を使用したコンピュータービジョンによるアブラヤシ果実画像熟度分類。電気通信電子計算機工学ジャーナル (JTEC) vol. 12（2020）。

Ibrahim, Z.、Sabri, N.、Isa, D. 畳み込みニューラルネットワークを使用したパーム油の新鮮な果房の成熟度の等級付け認識。 J.テレコム。電子。計算します。工学 10（2018）。

Ishak, WIW & Hudzari, RM アブラヤシ果実の成熟予測のための画像ベースのモデリング。 J. 食品、農業。環境。 8 (2010)。

Zolfagharnassab、S.、Shariff、ARBM、Ehsani、R.、Jaafar、HZ、および Aris、I. Bin。熱画像技術を使用した成熟度に基づくアブラヤシの新鮮な果実房の分類。農業 12、1779 (2022)。

記事 Google Scholar

Lai、JW、Ramli、HR、Ismail、LI、Hasan、WZW YOLOv4 に基づく熟したアブラヤシの新鮮な果実房のリアルタイム検出。 IEEE Access 10、95763–95770 (2022)。

記事 Google Scholar

Ghazali, SA、Selamat, H.、Omar, Z. & Yusof, R. パーム油の新鮮な果実房の熟度検出のための画像分析技術。エレクトル。Ｊ．Ｅｌｅｃｔｒ．工学 18（2019）。

サイード、OMB et al. ポータブル 4 バンドセンサーシステムを使用して、成熟度に基づいてアブラヤシの生の果房を分類します。計算します。電子。農業。 82 (2012)。

Huddin, A. アブラヤシ生果房 (FFB) の熟度を判定するための迅速かつ非破壊的な技術。 J.ケジュルター。 30、93–101 (2018)。

記事 Google Scholar

Makky, M. アブラヤシ FFB のポータブル低コスト非破壊熟度検査。農業。農業。科学。プロセディア9 (2016)。

Makky, M. & Soni, P. 迅速なポータブル非接触および非破壊アプローチを使用した、無傷のアブラヤシの新鮮な果実の房の現場品質評価。 J.食品工学 120 (2014)。

Makky, M.、Soni, P.、Salokhe, VM アブラヤシ果実の自動非破壊品質検査システム。内部。農業物理学 28 (2014)。

Septiarini, A.、Hamdani, H.、Hatta, HR & Kasim, AA アブラヤシ果実の熟度分類のための画像ベースの処理。議事録 - 2019年第5回国際会議科学。情報テクノロジー。エンブラク。戦争に向けたインド 4.0。イノヴ。サイバー物理学。システム。 ICSITech 2019 23–26、https://doi.org/10.1109/ICSITech46713.2019.8987575 (2019)。

Junos, MH、Mohd Khairuddin, AS、Thannirmarai, S. & Dahari, M. 作物収穫システム用に最適化された YOLO ベースの物体検出モデル。 IET画像処理。 15、2112–2125 (2021)。

記事 Google Scholar

Mohd Basir Selvam, NA、Ahmad, Z. & Mohtar, IA YOLO V3 アルゴリズムを使用したリアルタイムの熟したパーム油房検出。第 19 回研究開発に関する IEEE 学生会議: 産業革命に向けた持続可能なエンジニアリングとテクノロジー、SCOReD 2021、https://doi.org/10.1109/SCOReD53546.2021.9652752 (2021)。

Wang, J.、Zhang, T.、Cheng, Y.、Al-Nabhan, N. ビデオオブジェクト検出のための新世代ディープラーニング: 調査。計算します。システム。科学。工学 38、165–182 (2021)。

記事 Google Scholar

Parico、AIB および Ahamed、T. YOLOv4 モデルと Deep SORT を使用したリアルタイムのナシ果実の検出と計数。センサー (スイス) 21、1–32 (2021)。

記事 Google Scholar

Habtemariam、LW、Zewde、ET、および Simegn、GL 深層学習技術を使用した子宮頸部タイプおよび子宮頸がん分類システム。医学。デバイスの証拠。解像度 15、163–176 (2022)。

記事 Google Scholar

Syaefudin, A.、Setiawan, W.、Widiatmoko, F.、Sofyan, E.、Restu, RN コールドフロー鋳造欠陥検出のための深層畳み込みニューラルネットワークアプローチを使用したコンピュータービジョン。産業における管理とエンジニアリングに関する会議 (CMEI) 31 ～ 36、https://doi.org/10.33555/cmei.v3i5.111 (2021)。

Suharjito & Junior、FA 熟度等級付け用のアブラヤシ果実房の山の注釈付きビデオデータセット [DS/OL]。サイエンスデータバンク https://doi.org/10.57760/sciencedb.j00001.00713 (2022)。

ボチコフスキー、A.、ワン、C.-Y. & Liao、H.-YM YOLOv4: 物体検出の最適な速度と精度。（2020年）。

リファレンスをダウンロードする

著者らは、支援してくれた BINUS 大学と、データ準備を支援してくれたアブラヤシ工場に感謝の意を表したいと思います。この研究は、文部科学省高等教育総局から、契約番号: 410/LL3/AK.04/2022, 126/VR.RTT/VI/2022 の助成金を受けています。

産業工学部、BINUS 大学院プログラム – 産業工学修士、ビナヌサンタラ大学、ジャカルタ、11480、インドネシア

スハルジート & ムハマド・アスロル

ビナヌサンタラ大学コンピューターサイエンス学部コンピューターサイエンス学科、ジャカルタ、11480、インドネシア

フランツ・アデタ・ジュニア

コンピューターサイエンス学部、BINUS オンラインラーニング、ビナヌサンタラ大学、ジャカルタ、10480、インドネシア

ジョシュア・プトラ・コスワンディ、デビ、プラティウィ・ワヒユ・ヌルハヤティ

IPB大学（ボゴール農業大学）農業工学技術学部農業産業技術学科、ボゴール、西ジャワ、インドネシア

メアリー

PubMed Google Scholar でこの著者を検索することもできます

スハルジト: デザインリサーチ、調査、資金調達、データ収集、データ準備、原稿草稿の作成。 Franz Adeta Junior: データキュレーション、初稿作成、ソフトウェア開発および検証データセット。 Yosua Putra Koeswandy: ソフトウェア開発、データのラベル付けおよび検証データセット。 Debi: データのラベル付けと検証データセット。 Pratiwi Wahyu Nurhayati: データのラベル付けと検証データセット。ムハマド・アスロル: 執筆 - レビューと編集。マリミン: データのキュレーションと検証。

スハルジト氏への対応。

著者らは、この論文で報告されている研究に影響を与える可能性のある競合する利益や個人的な関係がないことを宣言します。

発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

スハルジト、ジュニア、FA、コスワンディ、YP 他ディープラーニングを使用した熟度等級付けのためのアブラヤシ果実束の山の注釈付きデータセット。サイデータ 10、72 (2023)。 https://doi.org/10.1038/s41597-023-01958-x

引用をダウンロード

受信日: 2022 年 10 月 4 日

受理日: 2023 年 1 月 11 日

公開日: 2023 年 2 月 4 日

DOI: https://doi.org/10.1038/s41597-023-01958-x

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

ニュース

深層学習を使用した熟度等級付けのためのアブラヤシ果実房の山の注釈付きデータセット