Fugu-MT 論文翻訳(概要): Dates Fruit Disease Recognition using Machine Learning

論文の概要: Dates Fruit Disease Recognition using Machine Learning

arxiv url: http://arxiv.org/abs/2311.10365v2
Date: Mon, 13 May 2024 06:51:09 GMT
ステータス: 処理完了
システム内更新日: 2024-05-15 00:53:00.266413
Title: Dates Fruit Disease Recognition using Machine Learning
Title（参考訳）: 機械学習を用いた果実病の認識
Authors: Ghassen Ben Brahim, Jaafar Alghazo, Ghazanfar Latif, Khalid Alnujaidi,
Abstract要約: 健康期, 病期, 栄養期, 寄生虫の感染状況など, 871枚の画像からなるデータセットを作成した。最も高い平均精度は、L*a*b、統計、DWT特徴を組み合わせることで達成された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Many countries such as Saudi Arabia, Morocco and Tunisia are among the top exporters and consumers of palm date fruits. Date fruit production plays a major role in the economies of the date fruit exporting countries. Date fruits are susceptible to disease just like any fruit and early detection and intervention can end up saving the produce. However, with the vast farming lands, it is nearly impossible for farmers to observe date trees on a frequent basis for early disease detection. In addition, even with human observation the process is prone to human error and increases the date fruit cost. With the recent advances in computer vision, machine learning, drone technology, and other technologies; an integrated solution can be proposed for the automatic detection of date fruit disease. In this paper, a hybrid features based method with the standard classifiers is proposed based on the extraction of L*a*b color features, statistical features, and Discrete Wavelet Transform (DWT) texture features for the early detection and classification of date fruit disease. A dataset was developed for this work consisting of 871 images divided into the following classes; Healthy date, Initial stage of disease, Malnourished date, and Parasite infected. The extracted features were input to common classifiers such as the Random Forest (RF), Multilayer Perceptron (MLP), Na\"ive Bayes (NB), and Fuzzy Decision Trees (FDT). The highest average accuracy was achieved when combining the L*a*b, Statistical, and DWT Features.
Abstract（参考訳）: サウジアラビア、モロッコ、チュニジアなど多くの国が、ヤシの果物を輸出し、消費している。日付の果物生産は、日付の果物輸出国の経済において重要な役割を担っている。日付の果物はどんな果物と同じように病気に罹患し、早期発見と介入は農産物を救える。しかし、広大な農地では、農夫が早期の病原性検出に頻繁に日付木を観察することはほぼ不可能である。加えて、人間の観察であっても、プロセスはヒューマンエラーを起こしやすく、デートフルーツのコストが上昇する。コンピュータビジョン、機械学習、ドローン技術、その他の技術の進歩により、日付の果物病を自動的に検出するための統合されたソリューションが提案されている。本稿では,L*a*b色特徴の抽出,統計特徴,DWTテクスチャ特徴の抽出に基づいて,標準分類器を用いたハイブリッド特徴量法を提案する。本研究のために, 健康期, 初期病期, 栄養期, 寄生虫が感染した851枚の画像からなるデータセットを開発した。抽出された特徴は、ランダムフォレスト(RF)、多層パーセプトロン(MLP)、Na\"ive Bayes(NB)、ファジィ決定木(FDT)などの共通分類器に入力された。最も高い平均精度は、L*a*b、統計、DWT特徴を組み合わせることで達成された。

関連論文リスト

MetaFruit Meets Foundation Models: Leveraging a Comprehensive Multi-Fruit Dataset for Advancing Agricultural Foundation Models [10.11552909915055]
今回紹介するMetaFruitは,4,248のイメージと248,015のラベル付きインスタンスからなる,公開可能な最大規模のマルチクラスフルーツデータセットである。本研究では, 先進的ビジョン基礎モデル(VFM)を応用したオープンセット果実検出システムを提案する。
論文参考訳（メタデータ） (2024-05-14T00:13:47Z)
HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文参考訳（メタデータ） (2023-08-23T11:03:28Z)
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)
Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
論文参考訳（メタデータ） (2023-03-21T03:15:29Z)
Fruit Ripeness Classification: a Survey [59.11160990637616]
食品を格付けするための特徴記述子を多用する多くの自動的手法が提案されている。機械学習とディープラーニング技術がトップパフォーマンスの手法を支配している。ディープラーニングは生のデータで操作できるため、複雑なエンジニアリング機能を計算する必要がなくなる。
論文参考訳（メタデータ） (2022-12-29T19:32:20Z)
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)
Facilitated machine learning for image-based fruit quality assessment in developing countries [68.8204255655161]
自動画像分類は食品科学における教師あり機械学習の一般的な課題である。事前学習型視覚変換器(ViT)に基づく代替手法を提案する。標準的なデバイス上で限られたリソースで簡単に実装できる。
論文参考訳（メタデータ） (2022-07-10T19:52:20Z)
Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文参考訳（メタデータ） (2020-09-25T01:50:15Z)
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)
A Deep Learning-based Detector for Brown Spot Disease in Passion Fruit Plant Leaves [0.5485240256788552]
この研究は2つの主要な病気(ウイルス)と茶色の斑点(真菌)に焦点を当てている。我々はウガンダ国立作物研究所(NaCRRI)と共同で、熱心にラベル付けされた果物の葉と果実のデータセットを開発しました。
論文参考訳（メタデータ） (2020-07-28T10:17:43Z)
The Plant Pathology 2020 challenge dataset to classify foliar disease of apples [0.0]
米国のリンゴ果樹園は、多くの病原体や昆虫から常に脅威にさらされている。病気管理の適正かつタイムリーな展開は、早期の疾患検出に依存している。我々は,複数のリンゴ葉病の高画質・実生症状画像3,651枚を手作業で取得した。リンゴの皮、スギのリンゴのさび、健康な葉のパイロットデータセットを作成するために専門家が注釈を付けたサブセットが、Kaggleコミュニティの'Plant Pathology Challenge'で利用可能になった。
論文参考訳（メタデータ） (2020-04-24T19:36:37Z)

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。