論文の概要: A Semantic Segmentation Approach on Sweet Orange Leaf Diseases Detection Utilizing YOLO

• arxiv url: http://arxiv.org/abs/2409.06671v1
• Date: Tue, 10 Sep 2024 17:40:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 16:39:07.903377
• Title: A Semantic Segmentation Approach on Sweet Orange Leaf Diseases Detection Utilizing YOLO
• Title（参考訳）: YOLOを用いた甘いオレンジ葉病検出のためのセマンティックセグメンテーション手法
• Authors: Sabit Ahamed Preanto, Md. Taimur Ahad, Yousuf Rayhan Emon, Sumaya Mustofa, Md Alamin,
• Abstract要約: 本研究は、YOLOv8のような高度な人工知能モデルを利用して、甘いオレンジの葉の病気を診断する高度な手法を提案する。 YOLOv8はその迅速かつ正確な性能で認識され、VITはその詳細な特徴抽出能力で認識されている。 トレーニングと検証の段階では、YOLOv8の精度は80.4%、VITの精度は99.12%であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This research introduces an advanced method for diagnosing diseases in sweet orange leaves by utilising advanced artificial intelligence models like YOLOv8 . Due to their significance as a vital agricultural product, sweet oranges encounter significant threats from a variety of diseases that harmfully affect both their yield and quality. Conventional methods for disease detection primarily depend on manual inspection which is ineffective and frequently leads to errors, resulting in delayed treatment and increased financial losses. In response to this challenge, the research utilized YOLOv8 , harnessing their proficiencies in detecting objects and analyzing images. YOLOv8 is recognized for its rapid and precise performance, while VIT is acknowledged for its detailed feature extraction abilities. Impressively, during both the training and validation stages, YOLOv8 exhibited a perfect accuracy of 80.4%, while VIT achieved an accuracy of 99.12%, showcasing their potential to transform disease detection in agriculture. The study comprehensively examined the practical challenges related to the implementation of AI technologies in agriculture, encompassing the computational demands and user accessibility, and offering viable solutions for broader usage. Moreover, it underscores the environmental considerations, particularly the potential for reduced pesticide usage, thereby promoting sustainable farming and environmental conservation. These findings provide encouraging insights into the application of AI in agriculture, suggesting a transition towards more effective, sustainable, and technologically advanced farming methods. This research not only highlights the efficacy of YOLOv8 within a specific agricultural domain but also lays the foundation for further studies that encompass a broader application in crop management and sustainable agricultural practices.
• Abstract（参考訳）: 本研究は、YOLOv8のような高度な人工知能モデルを利用して、甘いオレンジの葉の病気を診断する高度な手法を提案する。 重要な農業生産物としての重要性から、甘いオレンジはその収量と品質の両方に有害な影響を及ぼす様々な病気から重大な脅威に遭遇する。 従来の疾患検出法は, 主に手動検査に依存しており, 誤診が頻発し, 治療が遅れ, 金銭的損失が増大する。 この課題に応えて、この研究はYOLOv8を利用して、物体の検出と画像解析の能力を活用している。 YOLOv8はその迅速かつ正確な性能で認識され、VITはその詳細な特徴抽出能力で認識されている。 興味深いことに、トレーニングと検証の段階では、YOLOv8は80.4%の精度を示し、VITは99.12%の精度を示し、農業における病気の検出を変革する可能性を示した。 この研究は、農業におけるAI技術の実装に関する実践的課題を包括的に調査し、計算要求とユーザアクセシビリティを包含し、より広範な使用のために実行可能なソリューションを提供する。 さらに, 環境配慮, 特に農薬使用量の削減の可能性を強調し, 持続可能な農業と環境保全の促進を図っている。 これらの発見は、農業におけるAIの応用に関する啓発的な洞察を与え、より効果的で持続可能で技術的に進んだ農業方法への移行を示唆している。 本研究は、特定の農業領域におけるYOLOv8の有効性だけでなく、作物管理や持続可能な農業実践の幅広い応用を含むさらなる研究の基盤となる。

関連論文リスト

• Advancing Cucumber Disease Detection in Agriculture through Machine Vision and Drone Technology [0.0]
  本研究では, 機械ビジョンとドローン技術を用いて, 農業におけるキュウリ病の診断方法を提案する。 この研究のバックボーンは、本物のフィールド条件下で取得されたハイパースペクトルのデータセットである。 このモデルは8つのユニークなキュウリの病気を区別する上で、87.5%の精度を達成している。
  論文  参考訳（メタデータ） (2024-09-18T22:54:23Z)
• Artificial Immune System of Secure Face Recognition Against Adversarial Attacks [67.31542713498627]
  昆虫生産には 最大限の可能性を実現するために 最適化が必要です これは選択的育種による興味のある形質の改善が目的である。 このレビューは、様々な分野の知識と、動物の繁殖、定量的遺伝学、進化生物学、昆虫学のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-06-26T07:50:58Z)
• YOLOv1 to YOLOv10: A comprehensive review of YOLO variants and their application in the agricultural domain [0.5639904484784127]
  本研究は、YOLOv1から最先端のYOLOv10まで、様々なYOLO変異体の変形ポテンシャルについて検討する。 主な目的は、これらの最先端の物体検出モデルが、農業の多様な側面を再エネルギー化し、最適化する方法について解明することである。 この知見は、精密農業と持続可能な農業実践の可能性に関する微妙な理解に寄与する。
  論文  参考訳（メタデータ） (2024-06-14T15:48:43Z)
• Overcoming LLM Challenges using RAG-Driven Precision in Coffee Leaf Disease Remediation [0.0]
  本研究は、病気の識別にYOLOv8を、コンテキスト認識診断にRAG(Retrieval Augmented Generation)を応用した、革新的なAI駆動型精密農業システムを提案する。 このシステムは、言語モデル(LLM)に関連する固有の制約に対処するために、洗練されたオブジェクト検出技術と言語モデルを統合する。
  論文  参考訳（メタデータ） (2024-05-02T14:19:25Z)
• Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
  本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。 この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
  論文  参考訳（メタデータ） (2023-12-22T15:04:20Z)
• Leaf-Based Plant Disease Detection and Explainable AI [16.128084819516715]
  農業部門は国の経済成長に不可欠な役割を担っている。 植物病は農業に影響を及ぼす重要な要因の1つである。 研究者は、植物病を検出するAIと機械学習技術に基づく多くのアプリケーションを調査してきた。
  論文  参考訳（メタデータ） (2023-12-17T03:40:12Z)
• Crop Disease Classification using Support Vector Machines with Green Chromatic Coordinate (GCC) and Attention based feature extraction for IoT based Smart Agricultural Applications [0.0]
  植物病は農業栽培中の葉に悪影響を及ぼし、作物の生産量と経済的価値に大きな損失をもたらす。 各種機械学習(ML)と深層学習(DL)アルゴリズムが開発され,植物病の検出のための研究が行われている。 本稿では、注意に基づく特徴抽出、RGBチャネルに基づく色分析、SVM(Support Vector Machines)による性能向上による事前作業に基づく新しい分類手法を提案する。
  論文  参考訳（メタデータ） (2023-11-01T10:44:49Z)
• Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities [86.89427012495457]
  我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。 本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。 我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
  論文  参考訳（メタデータ） (2023-05-03T05:16:54Z)
• 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)
• 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)

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。