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
- PlantPlotGAN: A Physics-Informed Generative Adversarial Network for
Plant Disease Prediction [2.7409168462107347]
リアルな植生指標を持つ合成多スペクトルプロット画像を作成することができる物理インフォームド・ジェネレーティブ・モデルであるPlanetPlotGANを提案する。
その結果, PlantPlotGANから生成された合成画像はFr'echet開始距離に関して最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-27T16:56:28Z) - AMaizeD: An End to End Pipeline for Automatic Maize Disease Detection [0.0]
AMaizeDは、ドローンから得られたマルチスペクトル画像を用いて、トウモロコシの作物の病気を早期に検出する自動化フレームワークである。
提案するフレームワークは,コンボリューションニューラルネットワーク(CNN)を特徴抽出器とセグメンテーション技術に組み合わせて,トウモロコシの植物とその関連疾患を同定する。
論文 参考訳(メタデータ) (2023-07-23T19:58:40Z) - 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) - Explainable vision transformer enabled convolutional neural network for
plant disease identification: PlantXViT [11.623005206620498]
植物病は世界の作物の損失の主な原因であり、世界経済に影響を及ぼす。
本研究では、植物病の同定のために、ビジョントランスフォーマーにより「PlantXViT」と呼ばれる畳み込みニューラルネットワークモデルが提案される。
提案したモデルは、わずか0.8万のトレーニング可能なパラメータを持つ軽量な構造であり、IoTベースのスマート農業サービスに適している。
論文 参考訳(メタデータ) (2022-07-16T12:05:06Z) - 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) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-20T06:06:06Z) - 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。