論文の概要: Leaf Image-based Plant Disease Identification using Color and Texture Features

• arxiv url: http://arxiv.org/abs/2102.04515v1
• Date: Mon, 8 Feb 2021 20:32:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-10 20:34:36.740941
• Title: Leaf Image-based Plant Disease Identification using Color and Texture Features
• Title（参考訳）: 色とテクスチャ特徴を用いた葉画像に基づく植物病の同定
• Authors: Nisar Ahmed, Hafiz Muhammad Shahzad Asif, Gulshan Saleem
• Abstract要約: 自己収集されたデータセットの精度は、病気の識別に82.47%、健康と疾患の分類に91.40%である。 このプロトタイプシステムは、より多くの病種を追加したり、特定の作物や病種をターゲットにすることで拡張することができる。
• 参考スコア（独自算出の注目度）: 0.1657441317977376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identification of plant disease is usually done through visual inspection or during laboratory examination which causes delays resulting in yield loss by the time identification is complete. On the other hand, complex deep learning models perform the task with reasonable performance but due to their large size and high computational requirements, they are not suited to mobile and handheld devices. Our proposed approach contributes automated identification of plant diseases which follows a sequence of steps involving pre-processing, segmentation of diseased leaf area, calculation of features based on the Gray-Level Co-occurrence Matrix (GLCM), feature selection and classification. In this study, six color features and twenty-two texture features have been calculated. Support vector machines is used to perform one-vs-one classification of plant disease. The proposed model of disease identification provides an accuracy of 98.79% with a standard deviation of 0.57 on 10-fold cross-validation. The accuracy on a self-collected dataset is 82.47% for disease identification and 91.40% for healthy and diseased classification. The reported performance measures are better or comparable to the existing approaches and highest among the feature-based methods, presenting it as the most suitable method to automated leaf-based plant disease identification. This prototype system can be extended by adding more disease categories or targeting specific crop or disease categories.
• Abstract（参考訳）: 植物病の同定は通常、視覚検査または検査中に行われ、時間的特定によって収量を失う原因となる遅延を引き起こす。 一方で、複雑なディープラーニングモデルは、そのタスクを合理的なパフォーマンスで実行するが、大きなサイズと高い計算要件のため、モバイルやハンドヘルドデバイスには適さない。 提案手法は,前処理,病葉領域の分割,Gray-Level Co-occurrence Matrix(GLCM)に基づく特徴の計算,特徴の選択と分類を含む一連のステップに従う植物疾患の自動同定に寄与する。 本研究では,6色特徴と20テクスチャ特徴を算出した。 サポートベクターマシンは植物病の1対1の分類を行うために使用される。 提案する疾患同定モデルは、10倍のクロスバリデーションにおいて標準偏差 0.57 で98.79%の精度を提供する。 自己収集データセットの精度は、疾患の同定に82.47%、健康で疾患の分類に91.40%である。 報告された性能指標は,既存手法と同等あるいは同等であり,葉系植物病の同定に最も適した方法である。 このプロトタイプシステムは、より多くの病気のカテゴリを追加したり、特定の作物や病気のカテゴリをターゲットにすることで拡張できます。

関連論文リスト

• 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)
• LDD: A Dataset for Grape Diseases Object Detection and Instance Segmentation [2.966925013268916]
  インスタンスセグメンテーションアプローチによる疾患認識の最先端化を目標として、新たなデータセットが作成されている。 これは、自然の文脈で病気によって影響を受ける葉やブドウの群れのイメージを集めることで達成された。 このデータセットには、より一般的な8つのブドウ病の症状のない葉やブドウを含む10種類のオブジェクトの写真が含まれており、1,092枚の画像に合計17,706個のラベルが付けられている。
  論文  参考訳（メタデータ） (2022-06-21T08:50:13Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• 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)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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)
• 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。