Fugu-MT 論文翻訳(概要): Multi-Class Plant Leaf Disease Detection: A CNN-based Approach with Mobile App Integration

論文の概要: Multi-Class Plant Leaf Disease Detection: A CNN-based Approach with Mobile App Integration

arxiv url: http://arxiv.org/abs/2408.15289v1
Date: Mon, 26 Aug 2024 07:16:41 GMT
ステータス: 処理完了
システム内更新日: 2024-08-29 18:22:33.422507
Title: Multi-Class Plant Leaf Disease Detection: A CNN-based Approach with Mobile App Integration
Title（参考訳）: マルチクラス植物葉病検出:モバイルアプリ統合によるCNNに基づくアプローチ
Authors: Md Aziz Hosen Foysal, Foyez Ahmed, Md Zahurul Haque,
Abstract要約: 植物病は農業の生産性に大きな影響を及ぼし、経済的な損失と食料の安全を損なう。本研究では, 画像処理, 機械学習, 深層学習, 移動技術の統合に着目し, 植物病検出の最先端技術について検討する。植物葉の高分解能画像が捉えられ、畳み込みニューラルネットワーク(CNN)を用いて分析された。このモデルは、複数の作物や病気の種類を含む多様なデータセットに基づいて訓練され、98.14%の精度で診断された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Plant diseases significantly impact agricultural productivity, resulting in economic losses and food insecurity. Prompt and accurate detection is crucial for the efficient management and mitigation of plant diseases. This study investigates advanced techniques in plant disease detection, emphasizing the integration of image processing, machine learning, deep learning methods, and mobile technologies. High-resolution images of plant leaves were captured and analyzed using convolutional neural networks (CNNs) to detect symptoms of various diseases, such as blight, mildew, and rust. This study explores 14 classes of plants and diagnoses 26 unique plant diseases. We focus on common diseases affecting various crops. The model was trained on a diverse dataset encompassing multiple crops and disease types, achieving 98.14% accuracy in disease diagnosis. Finally integrated this model into mobile apps for real-time disease diagnosis.
Abstract（参考訳）: 植物病は農業の生産性に大きな影響を及ぼし、経済的な損失と食料の安全を損なう。植物の病気の効率的な管理と緩和には、迅速かつ正確な検出が不可欠である。本研究では, 画像処理, 機械学習, 深層学習, 移動技術の統合に着目し, 植物病検出の最先端技術について検討する。植物葉の高分解能画像が捉えられ、畳み込みニューラルネットワーク(CNN)を用いて分析された。本研究は14種類の植物を探索し,26種の植物疾患を診断する。我々は様々な作物に影響を及ぼす共通疾患に焦点を当てている。このモデルは、複数の作物や病気のタイプを含む多様なデータセットに基づいて訓練され、98.14%の精度で診断された。最終的にこのモデルをモバイルアプリに統合し、リアルタイムな疾患診断を実現した。

関連論文リスト

Self-supervised transformer-based pre-training method with General Plant Infection dataset [3.969851116372513]
本研究では、コントラスト学習とマスクド画像モデリング(MIM)を組み合わせた高度なネットワークアーキテクチャを提案する。提案するネットワークアーキテクチャは,植物害虫や病原体認識タスクに対処し,優れた検出精度を実現する。私たちのコードとデータセットは、植物害虫の研究と病気の認識を促進するために公開されます。
論文参考訳（メタデータ） (2024-07-20T15:48:35Z)
Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
論文参考訳（メタデータ） (2024-07-08T09:08:42Z)
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)
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)
Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文参考訳（メタデータ） (2021-06-14T21:57:40Z)
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)
One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。 2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
論文参考訳（メタデータ） (2020-12-14T10:44:22Z)
A Multi-Plant Disease Diagnosis Method using Convolutional Neural Network [0.0]
本章では,複数植物の診断を併用した最適な植物病原体同定モデルについて検討する。我々は多くの一般的な畳み込みニューラルネットワーク(CNN)アーキテクチャを実装している。 Xception と DenseNet アーキテクチャは,マルチラベル植物病の分類タスクにおいて,より優れた性能を示した。
論文参考訳（メタデータ） (2020-11-10T15:18:52Z)
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)

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。