論文の概要: A Multi-Plant Disease Diagnosis Method using Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2011.05151v1
• Date: Tue, 10 Nov 2020 15:18:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 06:38:18.236805
• Title: A Multi-Plant Disease Diagnosis Method using Convolutional Neural Network
• Title（参考訳）: 畳み込みニューラルネットワークを用いた多面的疾患診断法
• Authors: Muhammad Mohsin Kabir, Abu Quwsar Ohi, M. F. Mridha
• Abstract要約: 本章では,複数植物の診断を併用した最適な植物病原体同定モデルについて検討する。 我々は多くの一般的な畳み込みニューラルネットワーク(CNN)アーキテクチャを実装している。 Xception と DenseNet アーキテクチャは,マルチラベル植物病の分類タスクにおいて,より優れた性能を示した。
• 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: A disease that limits a plant from its maximal capacity is defined as plant disease. From the perspective of agriculture, diagnosing plant disease is crucial, as diseases often limit plants' production capacity. However, manual approaches to recognize plant diseases are often temporal, challenging, and time-consuming. Therefore, computerized recognition of plant diseases is highly desired in the field of agricultural automation. Due to the recent improvement of computer vision, identifying diseases using leaf images of a particular plant has already been introduced. Nevertheless, the most introduced model can only diagnose diseases of a specific plant. Hence, in this chapter, we investigate an optimal plant disease identification model combining the diagnosis of multiple plants. Despite relying on multi-class classification, the model inherits a multilabel classification method to identify the plant and the type of disease in parallel. For the experiment and evaluation, we collected data from various online sources that included leaf images of six plants, including tomato, potato, rice, corn, grape, and apple. In our investigation, we implement numerous popular convolutional neural network (CNN) architectures. The experimental results validate that the Xception and DenseNet architectures perform better in multi-label plant disease classification tasks. Through architectural investigation, we imply that skip connections, spatial convolutions, and shorter hidden layer connectivity cause better results in plant disease classification.
• Abstract（参考訳）: 植物を最大容量から制限する疾患は、植物病と定義される。 農業の観点からは、病気が植物の生産能力を制限することが多いため、植物病の診断が重要である。 しかし、植物の病気を認識するための手動のアプローチは、しばしば時間的、挑戦的で時間を要する。 したがって、農業自動化の分野では、植物病のコンピュータ認識が望まれている。 近年のコンピュータビジョンの改善により、特定の植物の葉画像を用いた病気の同定がすでに行われている。 しかしながら、最も導入されたモデルは特定の植物の病気のみを診断することができる。 そこで本章では,複数の植物の診断を組み合わせる最適な植物病診断モデルについて検討する。 マルチクラス分類に依存しているにもかかわらず、このモデルは、植物と病気のタイプを並列に識別するマルチラベル分類法を継承する。 実験および評価のために,トマト,ジャガイモ,米,トウモロコシ,ブドウ,リンゴの6種の葉のイメージを含む各種オンライン資料からデータを収集した。 本研究では,cnn(popular convolutional neural network)アーキテクチャを実装した。 Xception と DenseNet アーキテクチャは,マルチラベル植物病の分類タスクにおいて,より優れた性能を示した。 アーキテクチャ調査を通じて,接続のスキップ,空間的畳み込み,隠蔽層接続の短縮が植物病の分類により良い結果をもたらすことを示唆する。

関連論文リスト

• Multi-Class Plant Leaf Disease Detection: A CNN-based Approach with Mobile App Integration [0.0]
  植物病は農業の生産性に大きな影響を及ぼし、経済的な損失と食料の安全を損なう。 本研究では, 画像処理, 機械学習, 深層学習, 移動技術の統合に着目し, 植物病検出の最先端技術について検討する。 植物葉の高分解能画像が捉えられ、畳み込みニューラルネットワーク(CNN)を用いて分析された。 このモデルは、複数の作物や病気の種類を含む多様なデータセットに基づいて訓練され、98.14%の精度で診断された。
  論文  参考訳（メタデータ） (2024-08-26T07:16:41Z)
• Towards long-tailed, multi-label disease classification from chest X-ray: Overview of the CXR-LT challenge [59.323306639144526]
  診断医用画像検査など,現実的な画像認識の問題が数多く発生している。 診断は長い尾と多ラベルの問題であり、患者は複数の所見を呈することが多い。 我々は共通のテーマを合成し、長い尾を持つマルチラベルの医用画像分類のためのレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2023-10-24T18:26:22Z)
• 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)
• An Ensemble of Convolutional Neural Networks to Detect Foliar Diseases in Apple Plants [0.0]
  Apple(アップル)の病気は、早期に診断されなかったとしても、大量の資源が失われ、感染したリンゴを消費する人間や動物に深刻な脅威をもたらす可能性がある。 Xception, InceptionResNet および MobileNet アーキテクチャのアンサンブルシステムを提案する。 このシステムは、マルチクラスとマルチラベルの分類において卓越した成果を上げており、大きなリンゴのプランテーションをリアルタイムで監視するために使用することができる。
  論文  参考訳（メタデータ） (2022-10-01T15:40:04Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Improved Neural Network based Plant Diseases Identification [0.0]
  農業部門は、多くの人々や食料に基本的な収入を提供するため、すべての国にとって必須であり、この惑星で生き残るための基本的な要件である。 植物病の知識が不十分なため、農家は肥料を過剰に使用し、最終的に食物の品質を低下させる。 現段階では、画像処理は植物の葉の病変領域を識別し、カタログ化するために用いられる。
  論文  参考訳（メタデータ） (2021-01-01T11:49:56Z)
• Real-time Plant Health Assessment Via Implementing Cloud-based Scalable Transfer Learning On AWS DeepLens [0.8714677279673736]
  植物葉病の検出・分類のための機械学習手法を提案する。 私たちは、AWS SageMaker上でスケーラブルな転送学習を使用して、リアルタイムの実用的なユーザビリティのために、AWS DeepLensにインポートしています。 果実や野菜の健康・不健康な葉の広範な画像データセットに関する実験では,植物葉病のリアルタイム診断で98.78%の精度を示した。
  論文  参考訳（メタデータ） (2020-09-09T05:23:34Z)
• 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)
• 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)
• 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)

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。