論文の概要: A System for Automatic Rice Disease Detection from Rice Paddy Images Serviced via a Chatbot

• arxiv url: http://arxiv.org/abs/2011.10823v2
• Date: Wed, 23 Jun 2021 08:49:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 23:41:52.133386
• Title: A System for Automatic Rice Disease Detection from Rice Paddy Images Serviced via a Chatbot
• Title（参考訳）: チャットボットを用いた水稲画像の自動水稲病検出システム
• Authors: Pitchayagan Temniranrat, Kantip Kiratiratanapruk, Apichon Kitvimonrat, Wasin Sinthupinyo and Sujin Patarapuwadol
• Abstract要約: 実際の水田画像からイネの病気を診断するLINEボットシステムを開発し,本論文で紹介した。 対象画像は, 特別な試料準備をせずに, 実際の水田環境から撮影した。 画像からイネ病を検出するために深層学習ニューラルネットワークを用いた。
• 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 LINE Bot System to diagnose rice diseases from actual paddy field images was developed and presented in this paper. It was easy-to-use and automatic system designed to help rice farmers improve the rice yield and quality. The targeted images were taken from the actual paddy environment without special sample preparation. We used a deep learning neural networks technique to detect rice diseases from the images. We developed an object detection model training and refinement process to improve the performance of our previous research on rice leave diseases detection. The process was based on analyzing the model's predictive results and could be repeatedly used to improve the quality of the database in the next training of the model. The deployment model for our LINE Bot system was created from the selected best performance technique in our previous paper, YOLOv3, trained by refined training data set. The performance of the deployment model was measured on 5 target classes and found that the Average True Positive Point improved from 91.1% in the previous paper to 95.6% in this study. Therefore, we used this deployment model for Rice Disease LINE Bot system. Our system worked automatically real-time to suggest primary diagnosis results to the users in the LINE group, which included rice farmers and rice disease specialists. They could communicate freely via chat. In the real LINE Bot deployment, the model's performance was measured by our own defined measurement Average True Positive Point and was found to be an average of 78.86%. The system was fast and took only 2-3 s for detection process in our system server.
• Abstract（参考訳）: 実際の水田画像からイネの病気を診断するLINEボットシステムを開発し,本論文で紹介した。 稲作農家の収量・品質向上に資する、使い易く自動的な制度であった。 対象画像は,水田環境から特別に試料を採取することなく撮影した。 画像からイネ病を検出するために深層学習ニューラルネットワークを用いた。 水稲病検出に関するこれまでの研究の成果を改善するために,オブジェクト検出モデルのトレーニングと改良プロセスを開発した。 このプロセスはモデルの予測結果の分析に基づいており、モデルの次のトレーニングでデータベースの品質を改善するために繰り返し使用される。 LINE Bot システムのデプロイモデルは,前回の論文 YOLOv3 で選択された最高のパフォーマンス技術を用いて,洗練されたトレーニングデータセットによってトレーニングされた。 配置モデルの性能を5つの対象クラスで測定した結果, 前回の論文では91.1%から95.6%に改善した。 そこで,この展開モデルをイネ病線ボットシステムに適用した。 当システムでは, 稲作農家やイネ病専門医を含むLINEグループ利用者に対して, 初診結果を自動で提示する。 彼らはチャットを通じて自由にコミュニケーションできる。 実ラインボットのデプロイメントでは、モデルのパフォーマンスは、我々の定義した測定平均であるtrue positive pointで測定され、平均78.86%であることが判明した。 システムは高速で,検出処理に2～3秒しかかからなかった。

関連論文リスト

• Small data deep learning methodology for in-field disease detection [6.2747249113031325]
  本稿では,ポテト作物の遅発症状を軽度に検出できる最初の機械学習モデルを提案する。 提案手法は, 焦点損失関数を持つ深部畳み込みニューラルネットワークをベースとした, パッチ方式による高分解能画像の高精細化を実現する。 本モデルでは, 早期症状の同定に高い精度と有効性を示した。
  論文  参考訳（メタデータ） (2024-09-25T17:31:17Z)
• Enhanced Droplet Analysis Using Generative Adversarial Networks [0.0]
  この研究は、DropletGANという画像生成装置を開発し、ドロップレットの画像を生成する。 また、合成データセットを用いた光液滴検出器の開発にも用いられている。 我々の知る限りでは、この研究は初めて、液滴の検出を増強するための生成モデルを用いたものである。
  論文  参考訳（メタデータ） (2024-02-24T21:20:53Z)
• Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
  ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。 我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。 提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
  論文  参考訳（メタデータ） (2023-10-23T17:50:08Z)
• Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection Capability [70.72426887518517]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。 本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。 本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
  論文  参考訳（メタデータ） (2023-06-06T14:23:34Z)
• Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
  我々はミネラルウールのための視覚品質管理システムを開発した。 ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。 我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
  論文  参考訳（メタデータ） (2022-11-01T13:58:02Z)
• Facilitated machine learning for image-based fruit quality assessment in developing countries [68.8204255655161]
  自動画像分類は食品科学における教師あり機械学習の一般的な課題である。 事前学習型視覚変換器(ViT)に基づく代替手法を提案する。 標準的なデバイス上で限られたリソースで簡単に実装できる。
  論文  参考訳（メタデータ） (2022-07-10T19:52:20Z)
• Automatic Detection of Rice Disease in Images of Various Leaf Sizes [0.5284812806199193]
  そこで我々は,米田写真画像から米病を検出するコンピュータビジョン技術を用いて,その解決策に焦点をあてた。 そこで本研究では,CNNオブジェクト検出と画像タイリングを組み合わせた手法を提案する。 本手法は, 発芽, 発芽, 褐色斑点, 褐色斑点, オレンジ, 赤色ストライプ, 草草性スタントウイルス, ストリーク病など8種類のイネ葉病の4,960枚の画像から評価した。
  論文  参考訳（メタデータ） (2022-06-15T07:56:41Z)
• Rice Diseases Detection and Classification Using Attention Based Neural Network and Bayesian Optimization [10.07637392589791]
  水稲病はしばしば20～40%のコーパス生産損失を産出し、世界経済と密接に関連している。 そこで我々は,AIによる迅速かつ正確な疾患検出を実現するために,MobileNetの構造とアテンション機構に基づくADSNN-BOモデルを提案する。 モバイル対応の ADSNN-BO モデルは94.65% の精度を達成し,テスト対象のすべての最先端モデルを上回っている。
  論文  参考訳（メタデータ） (2022-01-03T22:26:00Z)
• A two-step machine learning approach for crop disease detection: an application of GAN and UAV technology [0.0]
  本稿では,低忠実度および高忠実度画像を連続的に解析する2段階の機械学習手法を提案する。 その結果,高忠実度系では96.3%,低忠実度系では75.5%の信頼度が得られた。
  論文  参考訳（メタデータ） (2021-09-19T03:51:20Z)
• Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
  ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。 本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。 代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
  論文  参考訳（メタデータ） (2020-06-22T15:07:06Z)
• 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。