論文の概要: Apple scab detection in orchards using deep learning on colour and
multispectral images
- arxiv url: http://arxiv.org/abs/2302.08818v1
- Date: Fri, 17 Feb 2023 11:33:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-20 15:03:00.006900
- Title: Apple scab detection in orchards using deep learning on colour and
multispectral images
- Title(参考訳): カラー画像とマルチスペクトル画像の深層学習による果樹園のApple scab検出
- Authors: Robert Rou\v{s}, Joseph Peller, Gerrit Polder, Selwin Hageraats, Thijs
Ruigrok, Pieter M. Blok
- Abstract要約: Apple scabは、Venturia inaequalisによって引き起こされる真菌病である。
本稿では,リンゴの症状を正確に同定するための深層学習とハイパースペクトルイメージングの有用性について検討する。
- 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: Apple scab is a fungal disease caused by Venturia inaequalis. Disease is of
particular concern for growers, as it causes significant damage to fruit and
leaves, leading to loss of fruit and yield. This article examines the ability
of deep learning and hyperspectral imaging to accurately identify an apple
symptom infection in apple trees. In total, 168 image scenes were collected
using conventional RGB and Visible to Near-infrared (VIS-NIR) spectral imaging
(8 channels) in infected orchards. Spectral data were preprocessed with an
Artificial Neural Network (ANN) trained in segmentation to detect scab pixels
based on spectral information. Linear Discriminant Analysis (LDA) was used to
find the most discriminating channels in spectral data based on the healthy
leaf and scab infested leaf spectra. Five combinations of false-colour images
were created from the spectral data and the segmentation net results. The
images were trained and evaluated with a modified version of the YOLOv5
network. Despite the promising results of deep learning using RGB images
(P=0.8, mAP@50=0.73), the detection of apple scab in apple trees using
multispectral imaging proved to be a difficult task. The high-light environment
of the open field made it difficult to collect a balanced spectrum from the
multispectral camera, since the infrared channel and the visible channels
needed to be constantly balanced so that they did not overexpose in the images.
- Abstract(参考訳): Apple scabは、Venturia inaequalisによって引き起こされる真菌病である。
病は、果実や葉に大きな損傷を与え、果実や収量を失うため、栽培者にとって特に懸念される。
本稿では,リンゴの症状を正確に同定するための深層学習とハイパースペクトルイメージングの有用性について検討する。
感染した果樹園において,従来のRGBとVisible to Near-Infrared (VIS-NIR)スペクトル画像 (8チャンネル) を用いて168の画像シーンを収集した。
スペクトルデータは、スペクトル情報に基づいてsabピクセルを検出するためにセグメンテーションで訓練された人工ニューラルネットワーク(ANN)で前処理された。
リニア判別分析 (LDA) を用いて, 健全な葉と落葉スペクトルに基づいて, スペクトルデータ中の最も識別性の高いチャネルを同定した。
スペクトルデータとセグメンテーションネットの結果から5つの偽色画像の組み合わせが得られた。
画像は、YOLOv5ネットワークの修正版で訓練され、評価された。
rgb画像を用いたディープラーニング(p=0.8, map@50=0.73)の有望な結果にもかかわらず,マルチスペクトルイメージングによるリンゴのスケアの検出は困難であった。
オープンフィールドの高照度環境は、赤外線チャネルと可視チャネルは、画像に過剰に露光しないように常にバランスをとる必要があるため、マルチスペクトルカメラからバランスの取れたスペクトルを収集することが困難になった。
関連論文リスト
- Convolutional Neural Network Ensemble Learning for Hyperspectral
Imaging-based Blackberry Fruit Ripeness Detection in Uncontrolled Farm
Environment [4.292727554656705]
本稿では,ブラックベリー果実の熟しやすさの微妙な特徴を検出するために,新しいマルチインプット畳み込みニューラルネットワーク(CNN)アンサンブル分類器を提案する。
提案したモデルは、未確認セットで95.1%の精度、フィールド条件で90.2%の精度を達成した。
論文 参考訳(メタデータ) (2024-01-09T12:00:17Z) - How Does Pruning Impact Long-Tailed Multi-Label Medical Image
Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。
この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文 参考訳(メタデータ) (2023-08-17T20:40:30Z) - Data-Efficient Vision Transformers for Multi-Label Disease
Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。
ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。
以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文 参考訳(メタデータ) (2022-08-17T09:07:45Z) - 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) - A Comparison of Deep Saliency Map Generators on Multispectral Data in
Object Detection [9.264502124445348]
本研究は, それらの地図が異なるスペクトル間でどのように異なるかについて, 3つのサリエンシマップ生成法について検討する。
現実的な問題として、我々は自律運転のための赤外線および視覚スペクトルにおける物体検出を選択した。
その結果,赤外線と視覚のアクティベーションマップの違いが判明した。
さらに、赤外線と視覚データの両方による高度なトレーニングは、ネットワークの出力を改善するだけでなく、唾液マップのより焦点を絞ったスポットにもつながります。
論文 参考訳(メタデータ) (2021-08-26T12:56:49Z) - Assessing The Importance Of Colours For CNNs In Object Recognition [70.70151719764021]
畳み込みニューラルネットワーク(CNN)は相反する性質を示すことが示されている。
CNNが予測をしながら色情報に大きく依存していることを実証します。
congruent, greyscale, incongruent画像の合同画像で学習したモデルを評価する。
論文 参考訳(メタデータ) (2020-12-12T22:55:06Z) - Image-based Plant Disease Diagnosis with Unsupervised Anomaly Detection
Based on Reconstructability of Colors [0.0]
画像に基づく植物病診断のための教師なし異常検出手法を提案する。
提案手法は,pix2pixと呼ばれる条件付き対向ネットワークを利用した植物病検出のための新しい画像ベースフレームワークを含む。
PlantVillageデータセットを用いた実験では,既存の異常検出装置と比較して提案手法の優位性を示した。
論文 参考訳(メタデータ) (2020-11-29T07:44:05Z) - Cross-Spectral Periocular Recognition with Conditional Adversarial
Networks [59.17685450892182]
本研究では,近赤外・近赤外スペクトル間の近赤外画像の変換を訓練した条件付き生成逆相関ネットワークを提案する。
EER=1%, GAR>99% @ FAR=1%, ポリUデータベースの最先端技術に匹敵するスペクトル近視性能を得た。
論文 参考訳(メタデータ) (2020-08-26T15:02:04Z) - Hyper-spectral NIR and MIR data and optimal wavebands for detection of
apple tree diseases [0.0]
植物病は食料の収量と品質を劇的に低下させる可能性がある。
Apple scab、Moniliasis、Powdery mildewは、世界中でもっとも重要なリンゴの病気です。
本研究では, アップルツリー病の近赤外・中赤外領域のスペクトルデータを解析するための最新の手法を提案する。
論文 参考訳(メタデータ) (2020-04-05T21:51:13Z) - Spectrum Translation for Cross-Spectral Ocular Matching [59.17685450892182]
バイオメトリックスでは、特に眼領域において、クロススペクトル検証が大きな問題となっている。
近赤外画像と視覚光画像のスペクトル変換におけるコンディショナル・ディバイサル・ネットワークの利用について検討した。
論文 参考訳(メタデータ) (2020-02-14T19:30:31Z)
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。