論文の概要: Development of a Prototype Application for Rice Disease Detection Using Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2301.05528v1
• Date: Fri, 13 Jan 2023 13:12:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-16 14:53:38.200911
• Title: Development of a Prototype Application for Rice Disease Detection Using Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いたイネ病検出のためのプロトタイプアプリケーションの開発
• Authors: Harold Costales, Arpee Callejo-Arruejo, Noel Rafanan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rice is the number one staple food in the country, as this serves as the primary livelihood for thousands of Filipino households. However, as the tradition continues, farmers are not familiar with the different types of rice leaf diseases that might compromise the entire rice crop. The need to address the common bacterial leaf blight in rice is a serious disease that can lead to reduced yields and even crop loss of up to 75%. This paper is a design and development of a rice leaf disease detection mobile application prototype using an algorithm used for image analysis. The researchers also used the Rice Disease Image Dataset by Huy Minh Do available at https://www.kaggle.com/ to train state-of-the-art convolutional neural networks using transfer learning. Moreover, we used image augmentation to increase the number of image samples and the accuracy of the neural networks as well
• Abstract（参考訳）: 米は、フィリピンの何千もの家庭で主要な生活地となっているため、国内第1位の主食である。 しかし、その伝統が続くにつれて、農家は稲作全体を損なう可能性のある様々な種類の稲葉病に慣れていない。 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。 本稿では,画像解析に用いるアルゴリズムを用いたイネ葉病検出モバイルアプリケーションプロトタイプの設計と開発について述べる。 研究者らはまた、huy minh氏のライス病画像データセットをhttps://www.kaggle.com/で公開し、転送学習を使用して最先端の畳み込みニューラルネットワークをトレーニングした。 さらに,画像サンプル数の増加やニューラルネットワークの精度向上にも画像強調を用いた。

関連論文リスト

• BiomedJourney: Counterfactual Biomedical Image Generation by Instruction-Learning from Multimodal Patient Journeys [99.7082441544384]
  本稿では,インストラクション学習によるバイオメディカル画像生成のための新しい手法であるBiomedJourneyを紹介する。 我々は、GPT-4を用いて、対応する画像レポートを処理し、疾患進行の自然言語記述を生成する。 得られた三重項は、反現実的なバイオメディカル画像生成のための潜伏拡散モデルを訓練するために使用される。
  論文  参考訳（メタデータ） (2023-10-16T18:59:31Z)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。 最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。 我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。 また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
  論文  参考訳（メタデータ） (2023-09-14T13:29:41Z)
• Dhan-Shomadhan: A Dataset of Rice Leaf Disease Classification for Bangladeshi Local Rice [0.0]
  このデータセットはBrown Spot, Leaf Scaled, Rice Blast, Rice Turngo, Steath Blightという5つの有害疾患の1106枚の画像で構成されている。 データは、ダッカ県の田地から収集される。
  論文  参考訳（メタデータ） (2023-09-14T08:32:05Z)
• Rice Plant Disease Detection and Diagnosis using Deep Convolutional Neural Networks and Multispectral Imaging [1.0499611180329802]
  エジプトはアフリカ最大の米生産国であり、年間600万トンを生産している。 稲芽病は世界の稲生産の30%の減少の原因となっている。 本稿では,多スペクトル・RGB画像データセットと水稲病検出のためのディープラーニングパイプラインについて紹介する。
  論文  参考訳（メタデータ） (2023-09-11T20:51:21Z)
• 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)
• 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)
• 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)
• 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)
• 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。