Fugu-MT 論文翻訳(概要): Lemon and Orange Disease Classification using CNN-Extracted Features and Machine Learning Classifier

論文の概要: Lemon and Orange Disease Classification using CNN-Extracted Features and Machine Learning Classifier

arxiv url: http://arxiv.org/abs/2408.14206v2
Date: Fri, 27 Sep 2024 06:37:00 GMT
ステータス: 処理完了
システム内更新日: 2024-11-08 05:04:12.118224
Title: Lemon and Orange Disease Classification using CNN-Extracted Features and Machine Learning Classifier
Title（参考訳）: CNN抽出特徴と機械学習分類器を用いたレモン病とオレンジ病の分類
Authors: Khandoker Nosiba Arifin, Sayma Akter Rupa, Md Musfique Anwar, Israt Jahan,
Abstract要約: この研究は、VGG16、VGG19、ResNet50といった革新的なディープラーニングアーキテクチャを使用している。疾患分類の初期モデルとして、ランダムフォレスト、ネイブベイズ、K-Nearest Neighbors(KNN)、ロジスティック回帰を用いた。レモンとオレンジの果物の病気は、モデルによりより正確に分類される(レモンは95.0%、オレンジは99.69%)。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Lemons and oranges, both are the most economically significant citrus fruits globally. The production of lemons and oranges is severely affected due to diseases in its growth stages. Fruit quality has degraded due to the presence of flaws. Thus, it is necessary to diagnose the disease accurately so that we can avoid major loss of lemons and oranges. To improve citrus farming, we proposed a disease classification approach for lemons and oranges. This approach would enable early disease detection and intervention, reduce yield losses, and optimize resource allocation. For the initial modeling of disease classification, the research uses innovative deep learning architectures such as VGG16, VGG19 and ResNet50. In addition, for achieving better accuracy, the basic machine learning algorithms used for classification problems include Random Forest, Naive Bayes, K-Nearest Neighbors (KNN) and Logistic Regression. The lemon and orange fruits diseases are classified more accurately (95.0% for lemon and 99.69% for orange) by the model. The model's base features were extracted from the ResNet50 pre-trained model and the diseases are classified by the Logistic Regression which beats the performance given by VGG16 and VGG19 for other classifiers. Experimental outcomes show that the proposed model also outperforms existing models in which most of them classified the diseases using the Softmax classifier without using any individual classifiers.
Abstract（参考訳）: レモンとオレンジはどちらも世界でもっとも経済的に重要なキツネの果実である。レモンとオレンジの生産は、成長段階の病気によって深刻な影響を受ける。果実の品質は欠陥があるため劣化している。そのため,レモンやオレンジの大量消失を予防するためには,正確な診断が必要である。レモンとオレンジの病原性分類法を提案した。このアプローチは、早期の病気の検出と介入を可能にし、収量損失を減らし、リソース割り当てを最適化する。疾患分類の初期モデリングには、VGG16、VGG19、ResNet50といった革新的なディープラーニングアーキテクチャを使用する。さらに、より良い精度を達成するために、分類問題に使用される基本的な機械学習アルゴリズムには、ランダムフォレスト、ネイブベイズ、K-Nearest Neighbors (KNN)、ロジスティック回帰がある。レモンとオレンジの果物の病気は、モデルによりより正確に分類される(レモンは95.0%、オレンジは99.69%)。モデルの基本的な特徴は、ResNet50事前訓練モデルから抽出され、疾患は他の分類器に対するVGG16とVGG19のパフォーマンスを上回り、ロジスティック回帰によって分類される。実験結果から,提案モデルが既存のモデルよりも優れており,そのほとんどはソフトマックス分類器を用いて,個々の分類器を使わずに疾患を分類していることがわかった。

関連論文リスト

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)
Classifying Healthy and Defective Fruits with a Multi-Input Architecture and CNN Models [0.0]
主な目的は、CNNモデルの精度を高めることである。その結果,Multi-Input アーキテクチャにシルエット画像を含めることで,優れた性能のモデルが得られることがわかった。
論文参考訳（メタデータ） (2024-10-14T21:37:12Z)
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)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
A Comprehensive Literature Review on Sweet Orange Leaf Diseases [3.0177210416625115]
葉の病気はキツネ産業の果実の品質に影響を及ぼす。葉の早期発見と診断は葉の管理に必要である。葉病に関する総合的なレビュー研究は, モデルの性能を比較した。
論文参考訳（メタデータ） (2023-12-04T09:35:21Z)
Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
我々はミネラルウールのための視覚品質管理システムを開発した。ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
論文参考訳（メタデータ） (2022-11-01T13:58:02Z)
Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文参考訳（メタデータ） (2022-03-17T04:34:28Z)
High performing ensemble of convolutional neural networks for insect pest image detection [124.23179560022761]
害虫の寄生は作物の被害の主な原因であり、世界中の収入を失った。我々は異なるトポロジに基づいてCNNのアンサンブルを生成する。ディープネットワーク最適化のための2つの新しいAdamアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-08-28T00:49:11Z)
Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文参考訳（メタデータ） (2021-02-02T09:34:34Z)
Improving Model Accuracy for Imbalanced Image Classification Tasks by Adding a Final Batch Normalization Layer: An Empirical Study [2.9005223064604078]
農業や医療分野の複雑な分類問題には、ディープラーニング(DL)が必要である。 DLは、実際には少数層よりも多数派を優先し、その結果、ターゲットとする早期の表示の不正確な検出に苦しむ。最新のCNNアーキテクチャでは,出力層の前にBN層を追加することで,少数クラスに対するトレーニング時間とテスト誤差の最小化にかなりの影響があることが示されている。
論文参考訳（メタデータ） (2020-11-12T11:27:40Z)
Performance Analysis of Optimizers for Plant Disease Classification with Convolutional Neural Networks [0.0]
害虫や病気による作物の失敗はインド農業に固有のものであり、毎年15から25%の生産性が失われている。本研究はコンボリューショナル・ネットワークを用いて3つの作物の植物や植物の葉のサンプルを15クラスに分類する。
論文参考訳（メタデータ） (2020-11-08T19:03:02Z)

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。