論文の概要: Potato Leaf Disease Classification using Deep Learning: A Convolutional
Neural Network Approach
- arxiv url: http://arxiv.org/abs/2311.02338v1
- Date: Sat, 4 Nov 2023 07:16:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 18:07:49.077858
- Title: Potato Leaf Disease Classification using Deep Learning: A Convolutional
Neural Network Approach
- Title(参考訳): 深層学習によるPotato Leaf病の分類:畳み込みニューラルネットワークによるアプローチ
- Authors: Utkarsh Yashwant Tambe, A. Shobanadevi, A. Shanthini and Hsiu-Chun Hsu
- Abstract要約: コンボリューショナルニューラルネットワーク(CNN)は、ジャガイモの葉の病気を分類するために用いられる。
CNNモデルは、全体的な精度99.1%であり、2種類のジャガイモの葉の病気を同定するのに非常に正確である。
- 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: In this study, a Convolutional Neural Network (CNN) is used to classify
potato leaf illnesses using Deep Learning. The suggested approach entails
preprocessing the leaf image data, training a CNN model on that data, and
assessing the model's success on a test set. The experimental findings show
that the CNN model, with an overall accuracy of 99.1%, is highly accurate in
identifying two kinds of potato leaf diseases, including Early Blight, Late
Blight, and Healthy. The suggested method may offer a trustworthy and effective
remedy for identifying potato diseases, which is essential for maintaining food
security and minimizing financial losses in agriculture. The model can
accurately recognize the various disease types even when there are severe
infections present. This work highlights the potential of deep learning methods
for categorizing potato diseases, which can help with effective and automated
disease management in potato farming.
- Abstract(参考訳): 本研究では、ディープラーニングを用いて、ジャガイモ葉病の分類に畳み込みニューラルネットワーク(CNN)を用いる。
提案するアプローチでは、リーフイメージデータの事前処理、そのデータ上でCNNモデルをトレーニング、テストセットでのモデルの成功を評価する。
実験結果によると、CNNモデル全体の精度は99.1%であり、初期明光、後期明光、健康といった2種類のジャガイモの葉病を同定する上で非常に正確である。
提案手法は, 食品の安全維持と農業の財政的損失の最小化に不可欠なジャガイモ病の同定に, 信頼性と効果的な対策を提供する。
モデルでは、重症感染症が存在する場合でも、さまざまな疾患タイプを正確に認識することができる。
本研究は,ジャガイモ栽培における効果的かつ自動化された病害管理を支援する,ジャガイモ病を分類するための深層学習手法の可能性を強調した。
関連論文リスト
- Deep Learning-Based Approach for Identification of Potato Leaf Diseases Using Wrapper Feature Selection and Feature Concatenation [4.5964557330918225]
ジャガイモの葉に影響を及ぼす遅発病を検出するために,画像処理と機械学習に基づく自律的手法を提案する。
本手法は,SVMを用いて550個の特徴を選別することにより,99%の精度を実現する。
論文 参考訳(メタデータ) (2025-02-05T17:09:34Z) - PND-Net: Plant Nutrition Deficiency and Disease Classification using Graph Convolutional Network [18.778641229886393]
本稿では,グラフ畳み込みネットワーク(GNN)を用いた植物栄養障害と疾患分類の新しい深層学習法を提案する。
The proposed method, called Plant Nutrition Deficiency and Disease Network (PND-Net) was evaluate on two public datasets for nutrition deficiency, and two for disease classification using four CNNs。
論文 参考訳(メタデータ) (2024-10-16T17:01:28Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳(メタデータ) (2024-09-29T07:04:26Z) - Transfer Learning With Densenet201 Architecture Model For Potato Leaf
Disease Classification [0.0]
本研究では,DenseNet201アーキテクチャを用いたディープラーニング手法を提案する。
このモデルによる試験結果は、ジャガイモ葉病(92.5%)の分類に新たな精度をもたらした。
論文 参考訳(メタデータ) (2024-01-25T03:58:40Z) - 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) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳(メタデータ) (2021-04-22T13:39:33Z) - Deep Learning for Apple Diseases: Classification and Identification [0.5735035463793008]
病気や害虫は、毎年リンゴ産業に大きな経済的損失をもたらします。
本研究では,リンゴ病の同定と分類のための深層学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2020-07-06T18:08:58Z) - Synergic Adversarial Label Learning for Grading Retinal Diseases via
Knowledge Distillation and Multi-task Learning [29.46896757506273]
良質な医師のアノテート画像は非常に高価であり、様々な網膜疾患に対して限られた量のデータしか利用できない。
一部の研究では、AMDとDRは出血点や吐出などの一般的な特徴を共有しているが、ほとんどの分類アルゴリズムはこれらの疾患モデルを個別に訓練するだけである。
本稿では,関連網膜疾患ラベルを意味的および特徴空間の両方で付加的な信号として活用し,協調的にモデルを訓練するSALL法を提案する。
論文 参考訳(メタデータ) (2020-03-24T01:32:04Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-03-17T09:51:30Z) - Plant Disease Detection from Images [0.0]
本研究は,植物の葉のイメージから植物に影響を及ぼす病気の種類を検出する深層学習モデルの構築に焦点をあてる。
このモデルは、転送学習を用いて作成され、resnet34とresnet50の両方で実験され、識別学習がより良い結果をもたらすことを示す。
論文 参考訳(メタデータ) (2020-03-05T02:17:36Z)
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。