論文の概要: Paddy Doctor: A Visual Image Dataset for Paddy Disease Classification
- arxiv url: http://arxiv.org/abs/2205.11108v1
- Date: Mon, 23 May 2022 07:57:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-25 11:02:40.794774
- Title: Paddy Doctor: A Visual Image Dataset for Paddy Disease Classification
- Title（参考訳）: 水田医師:水田病の分類のための画像データセット
- Authors: Petchiammal A, Briskline Kiruba S, D. Murugan, Pandarasamy A
- Abstract要約: パディドクター(Paddy Doctor)は、水田病を識別するための画像データセットである。
本データセットは10クラス(9つの疾患と正常な葉)に13,876点の注釈付き水田葉画像を含む。
我々は、畳み込みニューラルネットワーク(CNN)とVGG16とMobileNetの2つの移行学習アプローチを用いて、パディドクターをベンチマークした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: One of the critical biotic stress factors paddy farmers face is diseases
caused by bacteria, fungi, and other organisms. These diseases affect plants'
health severely and lead to significant crop loss. Most of these diseases can
be identified by regularly observing the leaves and stems under expert
supervision. In a country with vast agricultural regions and limited crop
protection experts, manual identification of paddy diseases is challenging.
Thus, to add a solution to this problem, it is necessary to automate the
disease identification process and provide easily accessible decision support
tools to enable effective crop protection measures. However, the lack of
availability of public datasets with detailed disease information limits the
practical implementation of accurate disease detection systems. This paper
presents Paddy Doctor, a visual image dataset for identifying paddy diseases.
Our dataset contains 13,876 annotated paddy leaf images across ten classes
(nine diseases and normal leaf). We benchmarked the Paddy Doctor using a
Convolutional Neural Network (CNN) and two transfer learning approaches, VGG16
and MobileNet. The experimental results show that MobileNet achieves the
highest classification accuracy of 93.83\%. We release our dataset and
reproducible code in the open source for community use.
- Abstract（参考訳）: 水稲農家が直面する重要な生物学的ストレス要因の1つは、細菌、菌類、その他の生物による病気である。
これらの病気は植物の健康に悪影響を及ぼし、作物を著しく損なう。
これらの疾患のほとんどは、専門家の監督の下で定期的に葉や茎を観察することで識別することができる。
広大な農業地帯と限られた作物保護の専門家を持つ国では、水田病の手動識別が困難である。
したがって、この問題に解決策を加えるためには、病気の特定プロセスの自動化と、効果的な作物保護対策を実現するための容易な意思決定支援ツールの提供が必要である。
しかし, 詳細な疾患情報を含む公開データセットの不足は, 正確な疾患検出システムの実践的実装を制限している。
本稿では,水田病を識別するための画像データセットであるpaddy doctorを提案する。
本データセットは10クラス(9つの疾患と正常な葉)に13,876点の注釈付き水田葉画像を含む。
我々は、畳み込みニューラルネットワーク(CNN)とVGG16とMobileNetの2つの移行学習アプローチを用いて、パディドクターをベンチマークした。
実験の結果,MobileNetの分類精度は93.83\%であった。
コミュニティ向けのデータセットと再現可能なコードをオープンソースでリリースしています。
関連論文リスト
- 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) - Snap and Diagnose: An Advanced Multimodal Retrieval System for Identifying Plant Diseases in the Wild [22.940441995788063]
我々は,画像やテキストのプロンプトに基づいて,病気検索を支援するマルチモーダル植物病画像検索システムを開発した。
我々は、89のカテゴリで18,000枚以上の画像を含む、最大規模の植物病データセットであるPlantWildを利用している。
クロスモーダル検索は、新しいCLIPベースの視覚言語モデルによって促進される開発システムで実現されている。
論文 参考訳（メタデータ） (2024-08-27T01:23:49Z) - 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) - Detection of healthy and diseased crops in drone captured images using
Deep Learning [0.0]
病気によって引き起こされる植物の正常な状態の破壊は、しばしば本質的な植物活動に干渉する。
ドローン画像を用いた植物病の効率的な検出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） (2023-05-22T21:15:12Z) - Paddy Leaf diseases identification on Infrared Images based on
Convolutional Neural Networks [0.0]
本稿では、モデルに基づく畳み込みニューラルネットワーク(CNN)を実装し、636個の赤外線画像サンプルからなる公開データセットをテストする。
提案モデルでは5種類の水田病を同定し分類し,88.28%の精度を達成した。
論文 参考訳（メタデータ） (2022-07-29T18:24:29Z) - AlignTransformer: Hierarchical Alignment of Visual Regions and Disease
Tags for Medical Report Generation [50.21065317817769]
本稿では,Align Hierarchical Attention (AHA)とMulti-Grained Transformer (MGT)モジュールを含むAlign Transformerフレームワークを提案する。
パブリックなIU-XrayとMIMIC-CXRデータセットの実験は、AlignTransformerが2つのデータセットの最先端メソッドと競合する結果が得られることを示している。
論文 参考訳（メタデータ） (2022-03-18T13:43:53Z) - Intestinal Parasites Classification Using Deep Belief Networks [53.20999552522241]
40億ドルの人々が腸内寄生虫に感染している。
人間の視覚検査はまだ臨床診断の大部分を担当している。
腸内寄生虫自動分類の文脈に深層信念ネットワークを導入する。
論文 参考訳（メタデータ） (2021-01-17T18:47:02Z) - One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。
2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
論文 参考訳（メタデータ） (2020-12-14T10:44:22Z) - Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。
実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文 参考訳（メタデータ） (2020-06-05T02:04:25Z) - SSM-Net for Plants Disease Identification in Low Data Regime [0.0]
植物病の検出は農業生産の増加に欠かせない要素である。
特定の植物種にかかわる病気のあらゆる形態に関する大量のデータを集めることは、非常に不便である。
本稿では,低データ環境における疾患検出の課題に対処する,メトリクスベースの数ショット学習型SSMネットアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-05-27T03:43:38Z) - 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。