論文の概要: A Deep Learning Approach for Determining Effects of Tuta Absoluta in
Tomato Plants
- arxiv url: http://arxiv.org/abs/2004.04023v1
- Date: Wed, 8 Apr 2020 14:41:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 09:12:32.892895
- Title: A Deep Learning Approach for Determining Effects of Tuta Absoluta in
Tomato Plants
- Title(参考訳): トマトにおけるツタアブソルタの効果決定のための深層学習法
- Authors: Denis P.Rubanga, Loyani K. Loyani, Mgaya Richard, Sawahiko Shimada
- Abstract要約: トマトにおけるタタ・アブソルタの効果を判定するための畳み込みニューラルネットワーク(CNN)アプローチを提案する。
CNNの事前訓練された4つのアーキテクチャは、健康とトマトの葉を含むデータセットの分類器の訓練に使用された。
Inception-V3はトマトのマツタの重症度を87.2%の精度で推定した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early quantification of Tuta absoluta pest's effects in tomato plants is a
very important factor in controlling and preventing serious damages of the
pest. The invasion of Tuta absoluta is considered a major threat to tomato
production causing heavy loss ranging from 80 to 100 percent when not properly
managed. Therefore, real-time and early quantification of tomato leaf miner
Tuta absoluta, can play an important role in addressing the issue of pest
management and enhance farmers' decisions. In this study, we propose a
Convolutional Neural Network (CNN) approach in determining the effects of Tuta
absoluta in tomato plants. Four CNN pre-trained architectures (VGG16, VGG19,
ResNet and Inception-V3) were used in training classifiers on a dataset
containing health and infested tomato leaves collected from real field
experiments. Among the pre-trained architectures, experimental results showed
that Inception-V3 yielded the best results with an average accuracy of 87.2
percent in estimating the severity status of Tuta absoluta in tomato plants.
The pre-trained models could also easily identify High Tuta severity status
compared to other severity status (Low tuta and No tuta)
- Abstract(参考訳): トマト植物におけるツタ・アブソルタ・ペストの効果の早期定量化は、害虫の深刻な被害を抑える上で非常に重要な要素である。
ツタ・アブソルタの侵略はトマト生産にとって大きな脅威であり、適切に管理されていない場合、80から100%の損失をもたらす。
そのため, トマト葉のリアルタイムおよび早期定量化は, 害虫管理の問題に対処し, 農家の意思決定を促進する上で重要な役割を担っている。
本研究では,コンボリューションニューラルネットワーク(cnn)を用いて,トマトにおけるツタアブソルタの効果を判定する手法を提案する。
4つのCNN事前学習アーキテクチャ (VGG16, VGG19, ResNet, Inception-V3) を用いて, 実地実験から収集した健康および寄生トマト葉を含むデータセットの分類器の訓練を行った。
事前学習したアーキテクチャのうち、インセプションv3はトマトにおけるツタアブソルタの重症度を推定する上で、平均87.2%の精度で最高の結果を得た。
事前訓練されたモデルは、他の重度状態(Low tuta と No tuta)と比較して、容易にHigh Tuta Severityステータスを特定できる。
関連論文リスト
- Early and Accurate Detection of Tomato Leaf Diseases Using TomFormer [0.3169023552218211]
本稿ではトマト葉病検出のためのトランスフォーマーモデルTomFormerを紹介する。
本稿では,視覚変換器と畳み込みニューラルネットワークを組み合わせた融合モデルを用いて,トマト葉病の検出手法を提案する。
論文 参考訳(メタデータ) (2023-12-26T20:47:23Z) - Identification of Abnormality in Maize Plants From UAV Images Using Deep
Learning Approaches [0.6226366855893847]
植物の異常の早期発見は、適切な生育を確保し、作物から高い収量を得るための重要な課題である。
本研究は, 成長段階とは無関係に, トウモロコシの異常度を判定する手法を開発した。
予備結果は、低い異常の88.89%の検出精度と100%の異常の検知精度を示している。
論文 参考訳(メタデータ) (2023-10-20T00:06:42Z) - Diffusion Theory as a Scalpel: Detecting and Purifying Poisonous
Dimensions in Pre-trained Language Models Caused by Backdoor or Bias [64.81358555107788]
事前訓練された言語モデル(PLM)は、微調整プロセス中に疑わしい攻撃者が注入したバックドアやバイアスによって有毒である可能性がある。
本研究では, 拡散理論を応用し, 微調整の動的過程を解明し, 潜在的有毒な次元を見つけるための微細浄化法を提案する。
我々の知識を最大限に活用するために、我々は安全・防衛目的の拡散理論によって導かれる力学を初めて研究する。
論文 参考訳(メタデータ) (2023-05-08T08:40:30Z) - Look how they have grown: Non-destructive Leaf Detection and Size
Estimation of Tomato Plants for 3D Growth Monitoring [4.303287713669109]
本稿では,非破壊画像に基づく自動計測システムについて述べる。
Zividの3Dカメラで得られた2Dと3Dのデータを使って、トマトの3D仮想表現(デジタル双生児)を生成する。
実生トマトの総合的な試験を通じて, プラットフォームの性能を測定した。
論文 参考訳(メタデータ) (2023-04-07T12:16:10Z) - Detection of Tomato Ripening Stages using Yolov3-tiny [0.0]
トマトの分類と検出にはニューラルネットワークを用いたモデルを用いる。
実験の結果, カスタムデータセットにおける熟成段階の局在と分類において, f1スコアは90.0%であった。
論文 参考訳(メタデータ) (2023-02-01T00:57:58Z) - Siamese Network-based Lightweight Framework for Tomato Leaf Disease
Recognition [0.0]
トマト葉の自動認識のための新しいシームズネットワークベースの軽量フレームワークを提案する。
トマトサブセットで96.97%、台湾トマトの葉のデータセットで95.48%の精度を達成している。
論文 参考訳(メタデータ) (2022-09-18T16:08:07Z) - End-to-end deep learning for directly estimating grape yield from
ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。
オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。
本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文 参考訳(メタデータ) (2022-08-04T01:34:46Z) - High performing ensemble of convolutional neural networks for insect
pest image detection [124.23179560022761]
害虫の寄生は作物の被害の主な原因であり、世界中の収入を失った。
我々は異なるトポロジに基づいてCNNのアンサンブルを生成する。
ディープネットワーク最適化のための2つの新しいAdamアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-08-28T00:49:11Z) - Geometry Uncertainty Projection Network for Monocular 3D Object
Detection [138.24798140338095]
本稿では,予測および学習段階の誤り増幅問題に対処するために,幾何不確実性予測ネットワーク(GUP Net)を提案する。
具体的には, GUPモジュールを提案し, 推定深さの幾何誘導不確かさを求める。
トレーニング段階では,エラー増幅による不安定性を低減するための階層型タスク学習戦略を提案する。
論文 参考訳(メタデータ) (2021-07-29T06:59:07Z) - A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows
from UAV Imagery [56.10033255997329]
畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。
高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。
提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
論文 参考訳(メタデータ) (2020-12-31T18:51:17Z) - One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。
2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
論文 参考訳(メタデータ) (2020-12-14T10:44:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。