論文の概要: Automatic Plant Image Identification of Vietnamese species using Deep Learning Models

• arxiv url: http://arxiv.org/abs/2005.02832v1
• Date: Tue, 5 May 2020 09:59:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 14:34:40.702941
• Title: Automatic Plant Image Identification of Vietnamese species using Deep Learning Models
• Title（参考訳）: 深層学習モデルを用いたベトナム種の自動植物画像同定
• Authors: Nguyen Van Hieu, Ngo Le Huy Hien
• Abstract要約: ベトナムの植物画像データセットは、Encyclopedia of Lifeとともに、ベトナムの生物のオンライン百科事典から収集された。 MobileNetV2、VGG16、ResnetV2、Inception ResnetV2の4つの深い畳み込み特徴抽出モデルを示す。 提案されたモデルは有望な認識率を達成し、MobilenetV2は83.9%で最高に達した。
• 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: It is complicated to distinguish among thousands of plant species in the natural ecosystem, and many efforts have been investigated to address the issue. In Vietnam, the task of identifying one from 12,000 species requires specialized experts in flora management, with thorough training skills and in-depth knowledge. Therefore, with the advance of machine learning, automatic plant identification systems have been proposed to benefit various stakeholders, including botanists, pharmaceutical laboratories, taxonomists, forestry services, and organizations. The concept has fueled an interest in research and application from global researchers and engineers in both fields of machine learning and computer vision. In this paper, the Vietnamese plant image dataset was collected from an online encyclopedia of Vietnamese organisms, together with the Encyclopedia of Life, to generate a total of 28,046 environmental images of 109 plant species in Vietnam. A comparative evaluation of four deep convolutional feature extraction models, which are MobileNetV2, VGG16, ResnetV2, and Inception Resnet V2, is presented. Those models have been tested on the Support Vector Machine (SVM) classifier to experiment with the purpose of plant image identification. The proposed models achieve promising recognition rates, and MobilenetV2 attained the highest with 83.9%. This result demonstrates that machine learning models are potential for plant species identification in the natural environment, and future works need to examine proposing higher accuracy systems on a larger dataset to meet the current application demand.
• Abstract（参考訳）: 自然生態系における何千もの植物種を区別することは複雑であり、この問題に対処するために多くの研究がなされている。 ベトナムでは、12,000種から1種を識別するには、徹底した訓練技術と深い知識を持つ植物管理の専門家が必要である。 そのため, 機械学習の進歩に伴い, 植物学者, 医薬品研究所, 分類学者, 林業サービス, 組織など, 様々な利害関係者の利益を得るために, 自動植物識別システムが提案されている。 このコンセプトは、機械学習とコンピュータビジョンの分野における、グローバル研究者とエンジニアによる研究と応用への興味を刺激している。 本稿では,ベトナムの植物生物のオンライン百科事典と『生命百科事典』からベトナム植物画像データセットを収集し,ベトナムの植物109種について総計28,046枚の環境画像を作成した。 MobileNetV2, VGG16, ResnetV2, Inception Resnet V2 の4つの深層畳み込み特徴抽出モデルの比較評価を行った。 これらのモデルは、植物画像識別のために、SVM(Support Vector Machine)分類器でテストされている。 提案されたモデルは高い認識率を達成し、MobilenetV2は83.9%で最高に達した。 この結果は、機械学習モデルが自然環境における植物種同定の可能性を示し、将来の研究は、現在のアプリケーション需要を満たすために、より大きなデータセット上でより高精度なシステムを提案する必要があることを示している。

関連論文リスト

• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• An Evaluation of Large Language Models in Bioinformatics Research [52.100233156012756]
  本研究では,大規模言語モデル(LLM)の性能について,バイオインフォマティクスの幅広い課題について検討する。 これらのタスクには、潜在的なコーディング領域の同定、遺伝子とタンパク質の命名されたエンティティの抽出、抗微生物および抗がんペプチドの検出、分子最適化、教育生物情報学問題の解決が含まれる。 以上の結果から, GPT 変種のような LLM がこれらのタスクの多くをうまく処理できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-21T11:27:31Z)
• IndoHerb: Indonesia Medicinal Plants Recognition using Transfer Learning and Deep Learning [1.8499314936771563]
  本研究は,コンボリューショナルニューラルネットワーク(CNN)の導入を通じてインドネシアの草本植物を分類する課題に対処する。 厳密なデータ前処理と5つの異なるモデルを用いた移動学習手法を用いた分類を行った。 包括的な分析の結果、ConvNeXtは92.5%の精度で最高の精度を達成した。
  論文  参考訳（メタデータ） (2023-08-03T08:16:55Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• Plant Species Classification Using Transfer Learning by Pretrained Classifier VGG-19 [1.933681537640272]
  本稿では,スウェーデンの葉の色を分離し,植物種を同定する手法について述べる。 高い精度を達成するために、事前に訓練された分類器VGG-19の助けを借りて、伝達学習を用いてタスクを完了させる。 このモデルは15の木のクラスを含むスウェーデンの葉のデータセットの側面に関連する知識を取得し、99.70%の精度で未知の植物の適切なクラスを予測するのに役立つ。
  論文  参考訳（メタデータ） (2022-09-07T11:28:50Z)
• Explainable vision transformer enabled convolutional neural network for plant disease identification: PlantXViT [11.623005206620498]
  植物病は世界の作物の損失の主な原因であり、世界経済に影響を及ぼす。 本研究では、植物病の同定のために、ビジョントランスフォーマーにより「PlantXViT」と呼ばれる畳み込みニューラルネットワークモデルが提案される。 提案したモデルは、わずか0.8万のトレーニング可能なパラメータを持つ軽量な構造であり、IoTベースのスマート農業サービスに適している。
  論文  参考訳（メタデータ） (2022-07-16T12:05:06Z)
• The Power of Transfer Learning in Agricultural Applications: AgriNet [1.9087335681007478]
  我々は19以上の地理的な場所から160万の農業画像を集めたAgriNetデータセットを提案する。 また、5つのImageNetアーキテクチャ上で事前訓練されたモデルのセットであるAgriNetモデルを紹介します。 提案したすべてのモデルでは、植物種、病気、害虫、雑草の423種を87%の精度で正確に分類することが判明した。
  論文  参考訳（メタデータ） (2022-07-08T13:15:16Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

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。