論文の概要: Automatic Detection of Rice Disease in Images of Various Leaf Sizes
- arxiv url: http://arxiv.org/abs/2206.07344v1
- Date: Wed, 15 Jun 2022 07:56:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-16 12:50:15.933975
- Title: Automatic Detection of Rice Disease in Images of Various Leaf Sizes
- Title（参考訳）: 葉の大きさの異なる画像によるイネ病の自動検出
- Authors: Kantip Kiratiratanapruk, Pitchayagan Temniranrat, Wasin Sinthupinyo,
Sanparith Marukatat, and Sujin Patarapuwadol
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.5284812806199193
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fast, accurate and affordable rice disease detection method is required to
assist rice farmers tackling equipment and expertise shortages problems. In
this paper, we focused on the solution using computer vision technique to
detect rice diseases from rice field photograph images. Dealing with images
took in real-usage situation by general farmers is quite challenging due to
various environmental factors, and rice leaf object size variation is one major
factor caused performance gradation. To solve this problem, we presented a
technique combining a CNN object detection with image tiling technique, based
on automatically estimated width size of rice leaves in the images as a size
reference for dividing the original input image. A model to estimate leaf width
was created by small size CNN such as 18 layer ResNet architecture model. A new
divided tiled sub-image set with uniformly sized object was generated and used
as input for training a rice disease prediction model. Our technique was
evaluated on 4,960 images of eight different types of rice leaf diseases,
including blast, blight, brown spot, narrow brown spot, orange, red stripe,
rice grassy stunt virus, and streak disease. The mean absolute percentage error
(MAPE) for leaf width prediction task evaluated on all eight classes was 11.18%
in the experiment, indicating that the leaf width prediction model performed
well. The mean average precision (mAP) of the prediction performance on YOLOv4
architecture was enhanced from 87.56% to 91.14% when trained and tested with
the tiled dataset. According to our study, the proposed image tiling technique
improved rice disease detection efficiency.
- Abstract（参考訳）: 農夫が設備や専門知識の不足に対処するためには、迅速で正確で手頃な米病検出法が必要である。
本稿では,米田画像から米の病気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当てた。
一般農家が実使用状況で撮影した画像に対処することは,様々な環境要因から非常に困難であり,イネの葉の大きさの変動が性能低下の原因となっている。
そこで本研究では,cnnオブジェクト検出と画像タイル技術を組み合わせた手法を提案し,画像中の葉の幅を自動推定し,原画像分割のためのサイズ基準とした。
葉幅を推定するモデルは、18層resnetアーキテクチャモデルのような小規模cnnによって作成された。
水稲病予測モデルの入力として,一様サイズの物体を用いた分割タイル状サブイメージセットを作成した。
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。
8クラスで評価した葉幅予測タスクの平均絶対パーセンテージ誤差(mape)は11.18%であり,葉幅予測モデルが良好であったことを示している。
yolov4アーキテクチャの予測性能の平均平均値(map)は、タイルデータセットでトレーニングとテストを行った場合、87.56%から91.14%に向上した。
本研究により, 画像タイリング技術により, イネ病の検出効率が向上した。
関連論文リスト
- Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。
それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。
以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
論文 参考訳（メタデータ） (2024-11-12T01:17:27Z) - Advancing Green AI: Efficient and Accurate Lightweight CNNs for Rice Leaf Disease Identification [0.0]
米は世界の人口の半数以上にとって主要な食料源として重要な役割を担っている。
本研究では,イネ葉病分類のための3つの移動型CNNアーキテクチャについて検討した。
最高のパフォーマンスは、99.8%の精度でEfficientNet-B0モデルによって達成された。
論文 参考訳（メタデータ） (2024-08-03T11:16:00Z) - Rice paddy disease classifications using CNNs [0.0]
米は世界有数の食料であるが、毎年大量の作物の収穫が病気によって失われている。
この問題に対処するため、人々は病気の診断を自動化する方法を模索してきた。
ここでは、モデルアーキテクチャとコンピュータビジョン技術の両方に対して、疾患分類精度がどのように敏感であるかを分析することによって、従来のモデリング作業を拡張した。
論文 参考訳（メタデータ） (2023-03-15T07:31:06Z) - Development of a Prototype Application for Rice Disease Detection Using
Convolutional Neural Networks [0.0]
米はフィリピンで1番の主食である。
農家は、稲作全体を害する恐れのあるイネの葉の病原体に慣れていない。
イネの一般的な細菌の葉に対処する必要性は深刻な病気であり、収量が減少し、収穫量も最大75%減少する。
論文 参考訳（メタデータ） (2023-01-13T13:12:40Z) - Rice Leaf Disease Classification and Detection Using YOLOv5 [8.627180519837657]
農業が直面する主な問題は稲葉病である。
いずれの国の農家も稲葉病に関する知識が乏しいため、稲葉病を正しく診断することはできない。
本稿では, YOLOv5 深層学習に基づくイネ葉病の分類と検出法を提案する。
論文 参考訳（メタデータ） (2022-09-04T09:27:57Z) - End-to-end deep learning for directly estimating grape yield from
ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。
オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。
本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文 参考訳（メタデータ） (2022-08-04T01:34:46Z) - 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) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - A System for Automatic Rice Disease Detection from Rice Paddy Images
Serviced via a Chatbot [0.0]
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。
論文 参考訳（メタデータ） (2020-11-21T16:45:02Z) - Agriculture-Vision: A Large Aerial Image Database for Agricultural
Pattern Analysis [110.30849704592592]
本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。
各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。
農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
論文 参考訳（メタデータ） (2020-01-05T20:19:33Z)
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。