[論文レビュー] Agricultural Object Detection with You Look Only Once (YOLO) Algorithm: A Bibliometric and Systematic Literature Review

Chetan Badgujar, Alwin Poulose+1 more|arXiv (Cornell University)|Jan 18, 2024

Smart Agriculture and AI被引用数 9

ひとこと要約

YOLOを農業の物体検出に用いることを評価する bibliometric および systematic literature review の要約。研究動向、修正、および展開上の課題をまとめる。

ABSTRACT

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.

研究の動機と目的

• 257件の記事の文献計量分析を通じて、農業分野における YOLO の学術的状況を把握する。
• 30件の記事を系統的にレビューし、知識のギャップ・修正・タスク固有の適応を特定する。
• 農業文脈におけるデータ、処理、ネットワーク修正、デプロイメントを含むエンドツーエンド学習の要素を評価する。
• リアルタイム監視と自動化を実現するための統合と展開の課題を評価する。

提案手法

• 257件の記事の文献計量分析を実施して、YOLO-農業研究の全体像を整理した。
• 30件の記事の系統的レビューを実施し、知識・ギャップ・修正を抽出した。
• データ取得、処理、ネットワークの改変、統合、デプロイメントを含むエンドツーエンド学習の側面を批判的に評価した。
• 農業の物体や環境の課題に対応するタスク特異的なYOLOの修正について議論した。
• リアルタイム監視、監視活動、自動化、資源効率に関する意味合いを統合した。

実験結果

リサーチクエスチョン

• RQ1 YOLOベースの農業物体検出の現在の学術風景はどのようになっているか（件数、刊行先、傾向）？
• RQ2 農業設定におけるYOLOの共通のタスク特異的修正と統合戦略は何か？
• RQ3 データ、処理、デプロイメントに関する検討事項は、農業におけるYOLOの性能にどのように影響するか？
• RQ4 YOLOベースの農業システムの展開を妨げる知識と実践のギャップは何か？
• RQ5 YOLO統合ツールは労働、コスト、環境負荷にどのような影響を与える可能性があるか？

主な発見

• YOLO対応の農業は、リアルタイム監視、監視、および自動処理の可能性を提供する。
• 文献は、モニタリング、センシング、自動化、ロボティクスを含む多様なタスク適用を示している。
• 農業環境に合わせた顕著な修正と統合戦略が存在する。
• エンドツーエンド学習の側面（データ、処理、デプロイメント）は性能と普及の鍵となる。
• YOLOを用いるデジタルツールは労働とコストを削減し、資源効率を向上させることができ、環境上の利点が議論されている。