Fugu-MT 論文翻訳(概要): Automated Disease Diagnosis in Pumpkin Plants Using Advanced CNN Models

論文の概要: Automated Disease Diagnosis in Pumpkin Plants Using Advanced CNN Models

arxiv url: http://arxiv.org/abs/2410.00062v1
Date: Sun, 29 Sep 2024 14:31:23 GMT
ステータス: 処理完了
システム内更新日: 2024-11-05 15:09:43.566011
Title: Automated Disease Diagnosis in Pumpkin Plants Using Advanced CNN Models
Title（参考訳）: 先進的CNNモデルを用いたパンプキン工場の病状自動診断
Authors: Aymane Khaldi, El Mostafa Kalmoun,
Abstract要約: パンプキンは世界中で栽培される重要な作物であり、その生産力は特に発展途上国において食糧安全保障に不可欠である。機械学習とディープラーニングの最近の進歩は、植物病検出の精度を自動化し改善するための有望なソリューションを提供する。本稿では,カボチャ葉の病原体分類のための最先端の畳み込みニューラルネットワーク(CNN)モデルについて包括的解析を行った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Pumpkin is a vital crop cultivated globally, and its productivity is crucial for food security, especially in developing regions. Accurate and timely detection of pumpkin leaf diseases is essential to mitigate significant losses in yield and quality. Traditional methods of disease identification rely heavily on subjective judgment by farmers or experts, which can lead to inefficiencies and missed opportunities for intervention. Recent advancements in machine learning and deep learning offer promising solutions for automating and improving the accuracy of plant disease detection. This paper presents a comprehensive analysis of state-of-the-art Convolutional Neural Network (CNN) models for classifying diseases in pumpkin plant leaves. Using a publicly available dataset of 2000 highresolution images, we evaluate the performance of several CNN architectures, including ResNet, DenseNet, and EfficientNet, in recognizing five classes: healthy leaves and four common diseases downy mildew, powdery mildew, mosaic disease, and bacterial leaf spot. We fine-tuned these pretrained models and conducted hyperparameter optimization experiments. ResNet-34, DenseNet-121, and EfficientNet-B7 were identified as top-performing models, each excelling in different classes of leaf diseases. Our analysis revealed DenseNet-121 as the optimal model when considering both accuracy and computational complexity achieving an overall accuracy of 86%. This study underscores the potential of CNNs in automating disease diagnosis for pumpkin plants, offering valuable insights that can contribute to enhancing agricultural productivity and minimizing economic losses.
Abstract（参考訳）: パンプキンは世界中で栽培される重要な作物であり、その生産力は特に発展途上国において食糧安全保障に不可欠である。カボチャ葉病の正確なかつタイムリーな検出は、収量と品質の大幅な損失を軽減するために不可欠である。従来の病気の同定法は、農家や専門家による主観的判断に大きく依存しており、非効率性や介入機会の欠如につながる可能性がある。機械学習とディープラーニングの最近の進歩は、植物病検出の精度を自動化し改善するための有望なソリューションを提供する。本稿では,カボチャ葉の病原体分類のための最先端の畳み込みニューラルネットワーク(CNN)モデルについて包括的解析を行った。 ResNet, DenseNet, EfficientNetを含む2000の高解像度画像の公開データセットを用いて, 健康な葉と4つの一般的な病原体, 粉末性ミドルウ, モザイク病, 細菌性葉点の認識におけるCNNアーキテクチャの性能を評価する。我々は、これらの事前訓練されたモデルを微調整し、ハイパーパラメータ最適化実験を行った。 ResNet-34, DenseNet-121, EfficientNet-B7は, 葉の疾患の分類に優れ, 高い性能を示した。解析の結果,DenseNet-121は精度と計算量の両方を考慮し,全体の精度は86%であった。本研究は, カボチャ病の診断を自動化し, 農業生産性の向上と経済損失の最小化に寄与する貴重な知見を提供する。

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)
Convolutional Neural Networks for Predictive Modeling of Lung Disease [34.1086022278394]
Pro-HRnet-CNNは、HRNetとヴォイド畳み込み技術を組み合わせた革新的なモデルである。従来の ResNet-50 と比較すると,Pro-HRnet-CNN は小型ノジュールの特徴抽出と認識において優れた性能を示した。
論文参考訳（メタデータ） (2024-08-08T01:58:46Z)
Early Detection of Coffee Leaf Rust Through Convolutional Neural Networks Trained on Low-Resolution Images [27.195033353775006]
コーヒー葉のさびは、真菌のHemileia vastatrixによって引き起こされた葉病であり、コーヒー生産にとって大きな脅威となる。早期疾患検出を強化するためのディープラーニングモデルは、広範囲な処理能力と大量のデータを必要とする。本稿では,高域通過フィルタを用いたトレーニング画像のコントラスト向上を目的とした前処理手法を提案する。
論文参考訳（メタデータ） (2024-07-20T03:24:25Z)
BonnBeetClouds3D: A Dataset Towards Point Cloud-based Organ-level Phenotyping of Sugar Beet Plants under Field Conditions [30.27773980916216]
農業生産は今後数十年間、気候変動と持続可能性の必要性によって深刻な課題に直面している。自律無人航空機(UAV)による作物のモニタリングと、ロボットによる非化学雑草によるフィールド管理の進歩は、これらの課題に対処するのに有用である。表現型化と呼ばれる植物形質の分析は、植物の育種に不可欠な活動であるが、大量の手作業が伴う。
論文参考訳（メタデータ） (2023-12-22T14:06:44Z)
Machine Learning-Based Jamun Leaf Disease Detection: A Comprehensive Review [0.0]
ジャムン葉病は農業の生産性に重大な脅威をもたらす。機械学習の出現は、これらの病気に効果的に取り組むための新たな道を開いた。画像処理技術を用いた類似の疾患検出のために,様々な自動化システムが実装されている。
論文参考訳（メタデータ） (2023-11-27T11:46:30Z)
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)
Explainable vision transformer enabled convolutional neural network for plant disease identification: PlantXViT [11.623005206620498]
植物病は世界の作物の損失の主な原因であり、世界経済に影響を及ぼす。本研究では、植物病の同定のために、ビジョントランスフォーマーにより「PlantXViT」と呼ばれる畳み込みニューラルネットワークモデルが提案される。提案したモデルは、わずか0.8万のトレーニング可能なパラメータを持つ軽量な構造であり、IoTベースのスマート農業サービスに適している。
論文参考訳（メタデータ） (2022-07-16T12:05:06Z)
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)
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)
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。