論文の概要: Deep Learning for Apple Diseases: Classification and Identification

• arxiv url: http://arxiv.org/abs/2007.02980v1
• Date: Mon, 6 Jul 2020 18:08:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 02:01:19.826202
• Title: Deep Learning for Apple Diseases: Classification and Identification
• Title（参考訳）: Apple病の深層学習:分類と同定
• Authors: Asif Iqbal Khan, SMK Quadri and Saba Banday
• Abstract要約: 病気や害虫は、毎年リンゴ産業に大きな経済的損失をもたらします。 本研究では,リンゴ病の同定と分類のための深層学習に基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.5735035463793008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diseases and pests cause huge economic loss to the apple industry every year. The identification of various apple diseases is challenging for the farmers as the symptoms produced by different diseases may be very similar, and may be present simultaneously. This paper is an attempt to provide the timely and accurate detection and identification of apple diseases. In this study, we propose a deep learning based approach for identification and classification of apple diseases. The first part of the study is dataset creation which includes data collection and data labelling. Next, we train a Convolutional Neural Network (CNN) model on the prepared dataset for automatic classification of apple diseases. CNNs are end-to-end learning algorithms which perform automatic feature extraction and learn complex features directly from raw images, making them suitable for wide variety of tasks like image classification, object detection, segmentation etc. We applied transfer learning to initialize the parameters of the proposed deep model. Data augmentation techniques like rotation, translation, reflection and scaling were also applied to prevent overfitting. The proposed CNN model obtained encouraging results, reaching around 97.18% of accuracy on our prepared dataset. The results validate that the proposed method is effective in classifying various types of apple diseases and can be used as a practical tool by farmers.
• Abstract（参考訳）: 病気や害虫は毎年、リンゴ産業に大きな経済的損失をもたらす。 異なる疾患によって生じる症状は非常によく似ており、同時に発生する可能性があるため、様々なリンゴ病の同定は農家にとって困難である。 本論文は,apple 病の検出と同定を時間的かつ正確に行う試みである。 本研究では,リンゴ病の同定と分類のための深層学習に基づくアプローチを提案する。 研究の最初の部分は、データ収集とデータラベリングを含むデータセットの作成である。 次に,リンゴ病の自動分類のためのデータセット上で畳み込みニューラルネットワーク(cnn)モデルをトレーニングする。 CNNは、画像分類、オブジェクト検出、セグメンテーションなど、幅広いタスクに適合するように、自動的な特徴抽出と生画像から直接複雑な特徴の学習を行うエンドツーエンドの学習アルゴリズムである。 提案する深層モデルのパラメータの初期化に転送学習を適用した。 ローテーション、トランスレーション、リフレクション、スケーリングといったデータ拡張技術も、オーバーフィッティングを防ぐために適用された。 提案するcnnモデルは,データセットの精度約97.18%に達した。 以上の結果から,本手法は各種のリンゴ病の分類に有効であり,農家の実用ツールとして利用できることを確認した。

関連論文リスト

• Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
  ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。 混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:26:13Z)
• Potato Leaf Disease Classification using Deep Learning: A Convolutional Neural Network Approach [0.0]
  コンボリューショナルニューラルネットワーク(CNN)は、ジャガイモの葉の病気を分類するために用いられる。 CNNモデルは、全体的な精度99.1%であり、2種類のジャガイモの葉の病気を同定するのに非常に正確である。
  論文  参考訳（メタデータ） (2023-11-04T07:16:37Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• An Efficient Transfer Learning-based Approach for Apple Leaf Disease Classification [0.0]
  本研究では, 移行学習に基づくリンゴ葉病の同定手法を提案する。 提案したパイプラインの能力は、公開されているPlanetVillageのデータセットから、リンゴの葉病サブセットに基づいて評価されている。
  論文  参考訳（メタデータ） (2023-04-10T08:48:36Z)
• Achieving Explainability for Plant Disease Classification with Disentangled Variational Autoencoders [0.0]
  分類タスクなどの意思決定で使用されるロジックや機能を知ることは、検証、アルゴリズムの改善、データ改善のトレーニング、知識抽出などにおいて非常に重要です。 我々は,最も重要な特徴の位置だけでなく,その特徴のどのバリエーションが使われているかを示す,変分オートエンコーダアーキテクチャに基づく分類手法を開発した。 提案手法は,いくつかの作物の病原性診断に有用であるが,他の作物にも適用可能である。
  論文  参考訳（メタデータ） (2021-02-05T10:04:00Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• The Plant Pathology 2020 challenge dataset to classify foliar disease of apples [0.0]
  米国のリンゴ果樹園は、多くの病原体や昆虫から常に脅威にさらされている。病気管理の適正かつタイムリーな展開は、早期の疾患検出に依存している。 我々は,複数のリンゴ葉病の高画質・実生症状画像3,651枚を手作業で取得した。 リンゴの皮、スギのリンゴのさび、健康な葉のパイロットデータセットを作成するために専門家が注釈を付けたサブセットが、Kaggleコミュニティの'Plant Pathology Challenge'で利用可能になった。
  論文  参考訳（メタデータ） (2020-04-24T19:36:37Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。