Fugu-MT 論文翻訳(概要): Identify Apple Leaf Diseases Using Deep Learning Algorithm

論文の概要: Identify Apple Leaf Diseases Using Deep Learning Algorithm

arxiv url: http://arxiv.org/abs/2107.12598v1
Date: Tue, 27 Jul 2021 04:55:16 GMT
ステータス: 翻訳完了
システム内更新日: 2021-07-28 14:55:45.549226
Title: Identify Apple Leaf Diseases Using Deep Learning Algorithm
Title（参考訳）: 深層学習アルゴリズムによるリンゴ葉病の同定
Authors: Daping Zhang, Hongyu Yang, Jiayu Cao
Abstract要約: 我々は、トレーニング時間を節約するために、Fastaiフレームワークを備えた畳み込みニューラルネットワーク(CNN)に基づいて、事前訓練された画像分類モデルRestnet34を使用する。分類の精度は93.765%である。
参考スコア（独自算出の注目度）: 9.894003867592724
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Agriculture is an essential industry in the both society and economy of a country. However, the pests and diseases cause a great amount of reduction in agricultural production while there is not sufficient guidance for farmers to avoid this disaster. To address this problem, we apply CNNs to plant disease recognition by building a classification model. Within the dataset of 3,642 images of apple leaves, We use a pre-trained image classification model Restnet34 based on a Convolutional neural network (CNN) with the Fastai framework in order to save the training time. Overall, the accuracy of classification is 93.765%.
Abstract（参考訳）: 農業は国の社会と経済の両方において不可欠な産業である。しかし、害虫や病気により農業生産が大幅に減少する一方、農業従事者にとってこの災害を避けるための十分な指導は得られていない。この問題に対処するために,分類モデルを構築し,植物疾患認識にcnnを適用する。リンゴ葉の3,642枚の画像のデータセットの中で、トレーニング時間を節約するために、コンボリューショナルニューラルネットワーク(CNN)とFastaiフレームワークをベースとした、事前トレーニング済みの画像分類モデルRestnet34を使用する。全体の分類精度は93.765%である。

関連論文リスト

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)
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)
The Power of Transfer Learning in Agricultural Applications: AgriNet [1.9087335681007478]
我々は19以上の地理的な場所から160万の農業画像を集めたAgriNetデータセットを提案する。また、5つのImageNetアーキテクチャ上で事前訓練されたモデルのセットであるAgriNetモデルを紹介します。提案したすべてのモデルでは、植物種、病気、害虫、雑草の423種を87%の精度で正確に分類することが判明した。
論文参考訳（メタデータ） (2022-07-08T13:15:16Z)
Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文参考訳（メタデータ） (2021-06-14T21:57:40Z)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
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)
Learning CNN filters from user-drawn image markers for coconut-tree image classification [78.42152902652215]
本稿では,CNNの特徴抽出器を訓練するために,最小限のユーザ選択画像を必要とする手法を提案する。本手法は,クラスを識別する画像領域のユーザ描画マーカーから,各畳み込み層のフィルタを学習する。バックプロパゲーションに基づく最適化には依存せず、ココナッツツリー空中画像のバイナリ分類にその利点を実証する。
論文参考訳（メタデータ） (2020-08-08T15:50:23Z)
Deep Learning for Apple Diseases: Classification and Identification [0.5735035463793008]
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。
論文参考訳（メタデータ） (2020-07-06T18:08:58Z)
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)
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。