Fugu-MT 論文翻訳(概要): Deep Learning-Based Computational Model for Disease Identification in Cocoa Pods (Theobroma cacao L.)

論文の概要: Deep Learning-Based Computational Model for Disease Identification in Cocoa Pods (Theobroma cacao L.)

arxiv url: http://arxiv.org/abs/2401.01247v1
Date: Tue, 2 Jan 2024 15:23:09 GMT
ステータス: 処理完了
システム内更新日: 2024-01-03 13:35:43.055554
Title: Deep Learning-Based Computational Model for Disease Identification in Cocoa Pods (Theobroma cacao L.)
Title（参考訳）: 深層学習に基づくcocoa pods(theobroma cacao l.)の病原体同定モデル
Authors: Darlyn Buena\~no Vera, Byron Oviedo, Washington Chiriboga Casanova, Cristian Zambrano-Vega
Abstract要約: ココアポッドの病気の早期発見は、高品質のココアの生産を保証する重要な課題である。機械学習、コンピュータビジョン、ディープラーニングといった人工知能技術の利用は、ココアポッドの病気を特定し分類するための有望なソリューションである。本稿では,ココアポッドの病気の同定に応用した深層学習計算モデルの開発と評価について紹介する。
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: The early identification of diseases in cocoa pods is an important task to guarantee the production of high-quality cocoa. The use of artificial intelligence techniques such as machine learning, computer vision and deep learning are promising solutions to help identify and classify diseases in cocoa pods. In this paper we introduce the development and evaluation of a deep learning computational model applied to the identification of diseases in cocoa pods, focusing on "monilia" and "black pod" diseases. An exhaustive review of state-of-the-art of computational models was carried out, based on scientific articles related to the identification of plant diseases using computer vision and deep learning techniques. As a result of the search, EfficientDet-Lite4, an efficient and lightweight model for object detection, was selected. A dataset, including images of both healthy and diseased cocoa pods, has been utilized to train the model to detect and pinpoint disease manifestations with considerable accuracy. Significant enhancements in the model training and evaluation demonstrate the capability of recognizing and classifying diseases through image analysis. Furthermore, the functionalities of the model were integrated into an Android native mobile with an user-friendly interface, allowing to younger or inexperienced farmers a fast and accuracy identification of health status of cocoa pods
Abstract（参考訳）: ココアポッドの病気の早期発見は、高品質のココアの生産を保証する重要な課題である。機械学習、コンピュータビジョン、ディープラーニングといった人工知能技術の利用は、ココアポッドの病気を特定し分類するための有望なソリューションである。本稿では,ココアの病原体同定に応用した深層学習計算モデルの開発と評価を行い,「モニリア」と「ブラックポッド」の病原体に着目した。コンピュータビジョンと深層学習技術を用いた植物病の同定に関する科学的論文をもとに,計算モデルの最先端技術に関する徹底的なレビューを行った。検索の結果,オブジェクト検出の効率的かつ軽量なモデルであるEfficientDet-Lite4が選択された。健康なcocoaポッドと病気のあるcocoaポッドの両方の画像を含むデータセットは、モデルのトレーニングに利用され、かなりの精度で病気の症状を検出し、特定する。モデルトレーニングおよび評価における重要な強化は、画像解析による疾患の認識と分類能力を示す。さらに、モデルの機能はユーザフレンドリーなインターフェースを備えたAndroidネイティブモバイルに統合され、若い農家や経験の浅い農家がココアポッドの健康状態の迅速かつ正確な識別が可能になる。

関連論文リスト

Potato Leaf Disease Classification using Deep Learning: A Convolutional Neural Network Approach [0.0]
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。
論文参考訳（メタデータ） (2023-11-04T07:16:37Z)
Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic Disorders [55.41644538483948]
分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
論文参考訳（メタデータ） (2022-10-23T11:52:57Z)
Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文参考訳（メタデータ） (2022-04-28T08:41:51Z)
SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2022-03-22T06:54:29Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
Leaf Image-based Plant Disease Identification using Color and Texture Features [0.1657441317977376]
自己収集されたデータセットの精度は、病気の識別に82.47%、健康と疾患の分類に91.40%である。このプロトタイプシステムは、より多くの病種を追加したり、特定の作物や病種をターゲットにすることで拡張することができる。
論文参考訳（メタデータ） (2021-02-08T20:32:56Z)
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)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
A Data-Efficient Deep Learning Based Smartphone Application For Detection Of Pulmonary Diseases Using Chest X-rays [0.0]
アプリはモバイルカメラから撮影したChest X-Rayイメージを入力し、クラウドプラットフォームのAIアーキテクチャにリレーする。スマートフォンの医師はこのアプリケーションを利用すれば、新型コロナウイルス(COVID-19)の診断に要する時間を大幅に節約できる。
論文参考訳（メタデータ） (2020-08-19T04:28:17Z)
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)
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。