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

• Paddy Disease Detection and Classification Using Computer Vision Techniques: A Mobile Application to Detect Paddy Disease [0.0]
  植物病は食料供給に大きな影響を与え、農家、農業に依存した経済、世界の食料安全保障に問題を引き起こします。 農業技術の発展にもかかわらず、正確な早期診断は依然として課題である。 ディープラーニングのアプリケーションは、植物病理学者を必要とせずに、病気を正確に識別するのに役立つ。
  論文  参考訳（メタデータ） (2024-12-08T17:08:27Z)
• PND-Net: Plant Nutrition Deficiency and Disease Classification using Graph Convolutional Network [18.778641229886393]
  本稿では,グラフ畳み込みネットワーク(GNN)を用いた植物栄養障害と疾患分類の新しい深層学習法を提案する。 The proposed method, called Plant Nutrition Deficiency and Disease Network (PND-Net) was evaluate on two public datasets for nutrition deficiency, and two for disease classification using four CNNs。
  論文  参考訳（メタデータ） (2024-10-16T17:01:28Z)
• PlantSeg: A Large-Scale In-the-wild Dataset for Plant Disease Segmentation [37.383095056084834]
  植物病データセットは一般的にセグメンテーションラベルを欠いている。 実験室の設定からの画像を含む典型的なデータセットとは異なり、PlanetSegは主に野生の植物病の画像で構成されている。 植物セグは11,400枚の画像と病気のセグメンテーションマスクと、植物の種類によって分類された8000枚の健康な植物画像が特徴である。
  論文  参考訳（メタデータ） (2024-09-06T06:11:28Z)
• Benchmarking In-the-wild Multimodal Disease Recognition and A Versatile Baseline [42.49727243388804]
  そこで本研究では,植物病原体認識データセットを提案する。 病気のクラスが最も多いだけでなく、各疾患に関するテキストベースの記述も含んでいる。 提案したデータセットは,実世界の疾患認識手法を評価するための理想的なテストベッドとみなすことができる。
  論文  参考訳（メタデータ） (2024-08-06T11:49:13Z)
• High-Throughput Phenotyping using Computer Vision and Machine Learning [0.0]
  我々はオークリッジ国立研究所が提供した1,672枚のPopulus Trichocarpaの画像と白ラベルで治療を行った。 光文字認識(OCR)は、植物上でこれらのラベルを読むために用いられた。 機械学習モデルを用いて,これらの分類に基づいて処理を予測し,解析されたEXIFタグを用いて葉の大きさと表現型間の相関を見いだした。
  論文  参考訳（メタデータ） (2024-07-08T19:46:31Z)
• 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)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• 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)
• 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)
• 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)
• 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)

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。