論文の概要: Plant Disease Detection using Region-Based Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2303.09063v1
- Date: Thu, 16 Mar 2023 03:43:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 16:54:47.519506
- Title: Plant Disease Detection using Region-Based Convolutional Neural Network
- Title（参考訳）: 地域型畳み込みニューラルネットワークを用いた植物病検出
- Authors: Hasin Rehana, Muhammad Ibrahim, Md. Haider Ali
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Agriculture plays an important role in the food and economy of Bangladesh.
The rapid growth of population over the years also has increased the demand for
food production. One of the major reasons behind low crop production is
numerous bacteria, virus and fungal plant diseases. Early detection of plant
diseases and proper usage of pesticides and fertilizers are vital for
preventing the diseases and boost the yield. Most of the farmers use
generalized pesticides and fertilizers in the entire fields without
specifically knowing the condition of the plants. Thus the production cost
oftentimes increases, and, not only that, sometimes this becomes detrimental to
the yield. Deep Learning models are found to be very effective to automatically
detect plant diseases from images of plants, thereby reducing the need for
human specialists. This paper aims at building a lightweight deep learning
model for predicting leaf disease in tomato plants. By modifying the
region-based convolutional neural network, we design an efficient and effective
model that demonstrates satisfactory empirical performance on a benchmark
dataset. Our proposed model can easily be deployed in a larger system where
drones take images of leaves and these images will be fed into our model to
know the health condition.
- Abstract（参考訳）: 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。
長年にわたる人口の急激な増加は、食料生産の需要も増している。
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。
植物病の早期発見と農薬や肥料の適切な使用は、病気の予防と収量の向上に不可欠である。
農夫の多くは、植物の状態を知ることなく、全畑で一般的な農薬や肥料を使っている。
このように、生産コストは頻繁に増加し、それだけでなく、時には収量に不利になる。
深層学習モデルは、植物の画像から植物疾患を自動的に検出し、人間の専門医の必要性を減らすのに非常に効果的である。
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。
領域ベースの畳み込みニューラルネットワークを変更することで、ベンチマークデータセットで十分な経験的性能を示す効率的かつ効果的なモデルを設計する。
提案するモデルは、葉っぱの写真をドローンが撮る大きなシステムに簡単に配置でき、これらの画像は私たちのモデルに送られて健康状態を知ることができます。
関連論文リスト
- 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) - An Ensemble of Convolutional Neural Networks to Detect Foliar Diseases
in Apple Plants [0.0]
Apple(アップル)の病気は、早期に診断されなかったとしても、大量の資源が失われ、感染したリンゴを消費する人間や動物に深刻な脅威をもたらす可能性がある。
Xception, InceptionResNet および MobileNet アーキテクチャのアンサンブルシステムを提案する。
このシステムは、マルチクラスとマルチラベルの分類において卓越した成果を上げており、大きなリンゴのプランテーションをリアルタイムで監視するために使用することができる。
論文 参考訳（メタデータ） (2022-10-01T15:40:04Z) - Towards Generating Large Synthetic Phytoplankton Datasets for Efficient
Monitoring of Harmful Algal Blooms [77.25251419910205]
有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。
現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。
合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
論文 参考訳（メタデータ） (2022-08-03T20:15:55Z) - 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) - 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) - Improved Neural Network based Plant Diseases Identification [0.0]
農業部門は、多くの人々や食料に基本的な収入を提供するため、すべての国にとって必須であり、この惑星で生き残るための基本的な要件である。
植物病の知識が不十分なため、農家は肥料を過剰に使用し、最終的に食物の品質を低下させる。
現段階では、画像処理は植物の葉の病変領域を識別し、カタログ化するために用いられる。
論文 参考訳（メタデータ） (2021-01-01T11:49:56Z) - 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) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳（メタデータ） (2020-12-07T16:23:13Z) - 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) - Weakly Supervised Learning Guided by Activation Mapping Applied to a
Novel Citrus Pest Benchmark [6.239768930024569]
統合害虫管理(Integrated pest Management)は、シトラス作物の害虫や病気による被害を予防・緩和するために最も広く用いられるプロセスである。
我々は、画像に対する関心領域を自動的に選択するために、サリエンシマップによって導かれる弱教師付き学習プロセスを設計する。
2つの大規模データセットで行った実験から,農業分野における害虫の分類と病気の分類の問題に対して,本研究の結果は非常に有望であることが明らかとなった。
論文 参考訳（メタデータ） (2020-04-22T01:26:50Z) - 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。