論文の概要: Plant Doctor: A hybrid machine learning and image segmentation software to quantify plant damage in video footage
- arxiv url: http://arxiv.org/abs/2407.02853v1
- Date: Wed, 3 Jul 2024 07:11:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-04 15:25:09.604101
- Title: Plant Doctor: A hybrid machine learning and image segmentation software to quantify plant damage in video footage
- Title（参考訳）: 植物医師:映像中の植物被害を定量化するハイブリッド機械学習とイメージセグメンテーションソフトウェア
- Authors: Marc Josep Montagut Marques, Liu Mingxin, Kuri Thomas Shiojiri, Tomika Hagiwara, Kayo Hirose, Kaori Shiojiri, Shinjiro Umezu,
- Abstract要約: 本研究では,アクセス可能なカメラで撮影した映像を用いて,街路植物の自動診断を行うAIシステムを提案する。
本システムは,都市部における病気のコントロールを支援するため,日常的に植物の健康をモニタリングすることを目的としている。
その結果, 葉の損傷診断におけるシステムの堅牢性と精度が示され, 大規模都会の植物病モニタリングにも応用できる可能性が示唆された。
- 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: Artificial intelligence has significantly advanced the automation of diagnostic processes, benefiting various fields including agriculture. This study introduces an AI-based system for the automatic diagnosis of urban street plants using video footage obtained with accessible camera devices. The system aims to monitor plant health on a day-to-day basis, aiding in the control of disease spreading in urban areas. By combining two machine vision algorithms, YOLOv8 and DeepSORT, the system efficiently identifies and tracks individual leaves, extracting the optimal images for health analysis. YOLOv8, chosen for its speed and computational efficiency, locates leaves, while DeepSORT ensures robust tracking in complex environments. For detailed health assessment, DeepLabV3Plus, a convolutional neural network, is employed to segment and quantify leaf damage caused by bacteria, pests, and fungi. The hybrid system, named Plant Doctor, has been trained and validated using a diverse dataset including footage from Tokyo urban plants. The results demonstrate the robustness and accuracy of the system in diagnosing leaf damage, with potential applications in large scale urban flora illness monitoring. This approach provides a non-invasive, efficient, and scalable solution for urban tree health management, supporting sustainable urban ecosystems.
- Abstract（参考訳）: 人工知能は診断プロセスの自動化を大幅に進歩させ、農業を含む様々な分野に利益をもたらした。
本研究では,アクセス可能なカメラで撮影した映像を用いて,街路植物の自動診断を行うAIシステムを提案する。
本システムは,都市部における病気のコントロールを支援するため,日常的に植物の健康をモニタリングすることを目的としている。
YOLOv8とDeepSORTの2つのマシンビジョンアルゴリズムを組み合わせることで、システムは個々の葉を効率よく識別し、追跡し、健康分析のための最適なイメージを抽出する。
速度と計算効率のために選択されたYOLOv8は葉を見つけるが、DeepSORTは複雑な環境で堅牢なトラッキングを保証する。
詳細な健康評価のために、畳み込みニューラルネットワークであるDeepLabV3Plusを使用して、細菌、害虫、真菌による葉の損傷を分類し定量化する。
このハイブリッドシステムは、東京の都市工場の映像を含む多様なデータセットを使って訓練され、検証されている。
その結果, 葉の損傷診断におけるシステムの堅牢性と精度が示され, 大規模都会の植物病モニタリングにも応用できる可能性が示唆された。
このアプローチは、持続的な都市生態系をサポートする、非侵襲的で効率的でスケーラブルなソリューションを都会の木の健康管理に提供します。
関連論文リスト
- AutoRG-Brain: Grounded Report Generation for Brain MRI [57.22149878985624]
放射線学者は、大量の画像を日々のベースで解釈し、対応するレポートを生成する責任を負う。
この要求される作業負荷は、人間のエラーのリスクを高め、治療の遅れ、医療費の増加、収益損失、運用上の不効率につながる可能性がある。
地盤自動報告生成(AutoRG)に関する一連の研究を開始した。
このシステムは、脳の構造の明細化、異常の局所化、そしてよく組織化された発見の生成をサポートする。
論文 参考訳（メタデータ） (2024-07-23T17:50:00Z) - Detection of healthy and diseased crops in drone captured images using
Deep Learning [0.0]
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。
論文 参考訳（メタデータ） (2023-05-22T21:15:12Z) - Evaluation of the potential of Near Infrared Hyperspectral Imaging for
monitoring the invasive brown marmorated stink bug [53.682955739083056]
BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。
本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
論文 参考訳（メタデータ） (2023-01-19T11:37:20Z) - 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) - 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) - 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) - A two-step machine learning approach for crop disease detection: an
application of GAN and UAV technology [0.0]
本稿では,低忠実度および高忠実度画像を連続的に解析する2段階の機械学習手法を提案する。
その結果,高忠実度系では96.3%,低忠実度系では75.5%の信頼度が得られた。
論文 参考訳（メタデータ） (2021-09-19T03:51:20Z) - Automated Pest Detection with DNN on the Edge for Precision Agriculture [0.0]
本稿では,機械学習(ML)機能により強化された組込みシステムについて,果樹園内での害虫感染の連続検出を確実にする。
3つの異なるMLアルゴリズムがトレーニングされ、デプロイされ、プラットフォームの能力を強調している。
その結果,農夫の介入なしに無期限に害虫感染処理を自動化できることが示唆された。
論文 参考訳（メタデータ） (2021-08-01T10:17:48Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳（メタデータ） (2020-12-07T16:23:13Z) - 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) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳（メタデータ） (2020-02-05T21:38:57Z)
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。