論文の概要: Rice Leaf Disease Classification and Detection Using YOLOv5

• arxiv url: http://arxiv.org/abs/2209.01579v1
• Date: Sun, 4 Sep 2022 09:27:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 12:34:29.850760
• Title: Rice Leaf Disease Classification and Detection Using YOLOv5
• Title（参考訳）: YOLOv5を用いたイネ葉病の分類と検出
• Authors: Md Ershadul Haque, Ashikur Rahman, Iftekhar Junaeid, Samiul Ul Hoque, Manoranjan Paul
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.627180519837657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A staple food in more than a hundred nations worldwide is rice (Oryza sativa). The cultivation of rice is vital to global economic growth. However, the main issue facing the agricultural industry is rice leaf disease. The quality and quantity of the crops have declined, and this is the main cause. As farmers in any country do not have much knowledge about rice leaf disease, they cannot diagnose rice leaf disease properly. That's why they cannot take proper care of rice leaves. As a result, the production is decreasing. From literature survey, it has seen that YOLOv5 exhibit the better result compare to others deep learning method. As a result of the continual advancement of object detection technology, YOLO family algorithms, which have extraordinarily high precision and better speed have been used in various scene recognition tasks to build rice leaf disease monitoring systems. We have annotate 1500 collected data sets and propose a rice leaf disease classification and detection method based on YOLOv5 deep learning. We then trained and evaluated the YOLOv5 model. The simulation outcomes show improved object detection result for the augmented YOLOv5 network proposed in this article. The required levels of recognition precision, recall, mAP value, and F1 score are 90\%, 67\%, 76\%, and 81\% respectively are considered as performance metrics.
• Abstract（参考訳）: 世界の百か国以上で主要な食品は米(oryza sativa)である。 米の栽培は世界の経済成長に不可欠である。 しかし、農業が直面する主な課題は稲葉病である。 作物の品質と量は減少しており、これが主な原因である。 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。 だからこそ、米の葉の適切な世話はできないのです。 その結果、生産量は減少している。 文献調査から,YOLOv5は,他の深層学習法と比較してよい結果を示した。 オブジェクト検出技術の継続的な進歩の結果,米葉病モニタリングシステムを構築するために,極めて高精度かつ高速なYOLOファミリーアルゴリズムが様々な場面認識タスクに使用されている。 1500個のデータ集合に注釈を付け, YOLOv5深層学習に基づくイネ葉病の分類・検出手法を提案する。 そして、YOLOv5モデルをトレーニングし、評価した。 シミュレーションの結果,本論文で提案する拡張yolov5ネットワークのオブジェクト検出精度が向上した。 必要な認識精度、リコール、mAP値、F1スコアは、それぞれ90\%、67\%、76\%、81\%である。

関連論文リスト

• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• 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)
• Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities [86.89427012495457]
  我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。 本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。 我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
  論文  参考訳（メタデータ） (2023-05-03T05:16:54Z)
• Plant Disease Detection using Region-Based Convolutional Neural Network [2.5091819952713057]
  農業はバングラデシュの食料と経済において重要な役割を担っている。 低作物生産の主な原因の1つは、多くの細菌、ウイルス、真菌の植物病である。 本稿では,トマトの葉病予測のための軽量深層学習モデルの構築を目的とする。
  論文  参考訳（メタデータ） (2023-03-16T03:43:10Z)
• 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)
• Fruit Ripeness Classification: a Survey [59.11160990637616]
  食品を格付けするための特徴記述子を多用する多くの自動的手法が提案されている。 機械学習とディープラーニング技術がトップパフォーマンスの手法を支配している。 ディープラーニングは生のデータで操作できるため、複雑なエンジニアリング機能を計算する必要がなくなる。
  論文  参考訳（メタデータ） (2022-12-29T19:32:20Z)
• Automatic Detection of Rice Disease in Images of Various Leaf Sizes [0.5284812806199193]
  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。
  論文  参考訳（メタデータ） (2022-06-15T07:56:41Z)
• 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)
• 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)
• 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。