論文の概要: Image Quality Assessment for Foliar Disease Identification (AgroPath)

• arxiv url: http://arxiv.org/abs/2209.12443v1
• Date: Mon, 26 Sep 2022 06:20:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 16:33:20.465800
• Title: Image Quality Assessment for Foliar Disease Identification (AgroPath)
• Title（参考訳）: 葉疾患識別のための画像品質評価(AgroPath)
• Authors: Nisar Ahmed, Hafiz Muhammad Shahzad Asif, Gulshan Saleem and Muhammad Usman Younus
• Abstract要約: 作物病は食料安全保障にとって大きな脅威であり、その急速な識別は収量減少を防ぐために重要である。 近年のコンピュータビジョンの進歩とスマートフォンの普及により、スマートフォンによる病原体同定の道が開かれた。 この研究は2020年にパキスタンのラホール工科大学のコンピュータ科学工学科で行われ、葉に基づく植物病の同定が行なわれた。
• 参考スコア（独自算出の注目度）: 2.9718407579521675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crop diseases are a major threat to food security and their rapid identification is important to prevent yield loss. Swift identification of these diseases are difficult due to the lack of necessary infrastructure. Recent advances in computer vision and increasing penetration of smartphones have paved the way for smartphone-assisted disease identification. Most of the plant diseases leave particular artifacts on the foliar structure of the plant. This study was conducted in 2020 at Department of Computer Science and Engineering, University of Engineering and Technology, Lahore, Pakistan to check leaf-based plant disease identification. This study provided a deep neural network-based solution to foliar disease identification and incorporated image quality assessment to select the image of the required quality to perform identification and named it Agricultural Pathologist (Agro Path). The captured image by a novice photographer may contain noise, lack of structure, and blur which result in a failed or inaccurate diagnosis. Moreover, AgroPath model had 99.42% accuracy for foliar disease identification. The proposed addition can be especially useful for application of foliar disease identification in the field of agriculture.
• Abstract（参考訳）: 作物病は食料安全保障にとって大きな脅威であり、その急速な識別は収量減少を防ぐために重要である。 これらの病気の迅速な同定は、必要なインフラがないため困難である。 コンピュータビジョンの最近の進歩とスマートフォンの普及は、スマートフォン支援の病気識別への道を開いた。 植物病のほとんどは、植物の葉構造に特定のアーティファクトを残している。 この研究は2020年にパキスタンのラホール工科大学のコンピュータ科学工学科で行われ、葉に基づく植物病の同定が行なわれた。 本研究は,葉病の同定のための深層ニューラルネットワークに基づくソリューションを提供し,画像品質評価を組み込んで,識別に必要な品質の画像を選択し,それを農業病理学者(agro path)と命名した。 初心者写真家が捉えた画像は、ノイズ、構造の欠如、ぼやけが原因で診断が失敗または不正確になる可能性がある。 さらに、アグロパスモデルは葉病の同定に99.42%の精度を示した。 提案した添加物は、特に農業分野における葉病識別の応用に有用である。

関連論文リスト

• 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)
• Multi-Class Plant Leaf Disease Detection: A CNN-based Approach with Mobile App Integration [0.0]
  植物病は農業の生産性に大きな影響を及ぼし、経済的な損失と食料の安全を損なう。 本研究では, 画像処理, 機械学習, 深層学習, 移動技術の統合に着目し, 植物病検出の最先端技術について検討する。 植物葉の高分解能画像が捉えられ、畳み込みニューラルネットワーク(CNN)を用いて分析された。 このモデルは、複数の作物や病気の種類を含む多様なデータセットに基づいて訓練され、98.14%の精度で診断された。
  論文  参考訳（メタデータ） (2024-08-26T07:16:41Z)
• 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)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• 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)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• 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)
• 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)
• A Multi-Plant Disease Diagnosis Method using Convolutional Neural Network [0.0]
  本章では,複数植物の診断を併用した最適な植物病原体同定モデルについて検討する。 我々は多くの一般的な畳み込みニューラルネットワーク(CNN)アーキテクチャを実装している。 Xception と DenseNet アーキテクチャは,マルチラベル植物病の分類タスクにおいて,より優れた性能を示した。
  論文  参考訳（メタデータ） (2020-11-10T15:18:52Z)
• 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)

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。