Fugu-MT 論文翻訳(概要): Detection of healthy and diseased crops in drone captured images using Deep Learning

論文の概要: Detection of healthy and diseased crops in drone captured images using Deep Learning

arxiv url: http://arxiv.org/abs/2305.13490v1
Date: Mon, 22 May 2023 21:15:12 GMT
ステータス: 処理完了
システム内更新日: 2023-05-24 20:40:15.931895
Title: Detection of healthy and diseased crops in drone captured images using Deep Learning
Title（参考訳）: Deep Learning を用いたドローン撮影画像における健康作物・病作物の検出
Authors: Jai Vardhan, Kothapalli Sai Swetha
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Monitoring plant health is crucial for maintaining agricultural productivity and food safety. Disruptions in the plant's normal state, caused by diseases, often interfere with essential plant activities, and timely detection of these diseases can significantly mitigate crop loss. In this study, we propose a deep learning-based approach for efficient detection of plant diseases using drone-captured imagery. A comprehensive database of various plant species, exhibiting numerous diseases, was compiled from the Internet and utilized as the training and test dataset. A Convolutional Neural Network (CNN), renowned for its performance in image classification tasks, was employed as our primary predictive model. The CNN model, trained on this rich dataset, demonstrated superior proficiency in crop disease categorization and detection, even under challenging imaging conditions. For field implementation, we deployed a prototype drone model equipped with a high-resolution camera for live monitoring of extensive agricultural fields. The captured images served as the input for our trained model, enabling real-time identification of healthy and diseased plants. Our approach promises an efficient and scalable solution for improving crop health monitoring systems.
Abstract（参考訳）: 植物の健康状態のモニタリングは、農業の生産性と食品の安全性を維持するのに不可欠である。病気によって引き起こされる通常の状態の破壊は、しばしば本質的な植物活動に干渉し、これらの病気のタイムリーな検出は、作物の損失を著しく軽減する。本研究では,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。様々な植物種の包括的データベースがインターネットから作成され、トレーニングおよびテストデータセットとして利用された。画像分類タスクの性能で有名な畳み込みニューラルネットワーク(CNN)を主予測モデルとして用いた。この豊富なデータセットに基づいてトレーニングされたcnnモデルは、困難な撮像条件下でも作物病の分類と検出において優れた熟練度を示した。フィールド実装のために,広範囲の農地を実写監視するための高解像度カメラを備えたプロトタイプドローンモデルを配備した。撮影された画像は、トレーニングされたモデルの入力となり、健康な植物や病気の植物をリアルタイムで識別することができました。我々のアプローチは、作物の健康モニタリングシステムを改善するための効率的でスケーラブルなソリューションを約束します。

関連論文リスト

Small data deep learning methodology for in-field disease detection [6.2747249113031325]
本稿では,ポテト作物の遅発症状を軽度に検出できる最初の機械学習モデルを提案する。提案手法は, 焦点損失関数を持つ深部畳み込みニューラルネットワークをベースとした, パッチ方式による高分解能画像の高精細化を実現する。本モデルでは, 早期症状の同定に高い精度と有効性を示した。
論文参考訳（メタデータ） (2024-09-25T17:31:17Z)
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)
Self-supervised transformer-based pre-training method with General Plant Infection dataset [3.969851116372513]
本研究では、コントラスト学習とマスクド画像モデリング(MIM)を組み合わせた高度なネットワークアーキテクチャを提案する。提案するネットワークアーキテクチャは,植物害虫や病原体認識タスクに対処し,優れた検出精度を実現する。私たちのコードとデータセットは、植物害虫の研究と病気の認識を促進するために公開されます。
論文参考訳（メタデータ） (2024-07-20T15:48:35Z)
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)
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)
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)
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)
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)
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)
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。