論文の概要: Paddy Disease Detection and Classification Using Computer Vision Techniques: A Mobile Application to Detect Paddy Disease

• arxiv url: http://arxiv.org/abs/2412.05996v1
• Date: Sun, 08 Dec 2024 17:08:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:54:58.308264
• Title: Paddy Disease Detection and Classification Using Computer Vision Techniques: A Mobile Application to Detect Paddy Disease
• Title（参考訳）: コンピュータビジョン技術を用いた水田病検出と分類:水田病検出のためのモバイルアプリケーション
• Authors: Bimarsha Khanal, Paras Poudel, Anish Chapagai, Bijan Regmi, Sitaram Pokhrel, Salik Ram Khanal,
• Abstract要約: 植物病は食料供給に大きな影響を与え、農家、農業に依存した経済、世界の食料安全保障に問題を引き起こします。 農業技術の発展にもかかわらず、正確な早期診断は依然として課題である。 ディープラーニングのアプリケーションは、植物病理学者を必要とせずに、病気を正確に識別するのに役立つ。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Plant diseases significantly impact our food supply, causing problems for farmers, economies reliant on agriculture, and global food security. Accurate and timely plant disease diagnosis is crucial for effective treatment and minimizing yield losses. Despite advancements in agricultural technology, a precise and early diagnosis remains a challenge, especially in underdeveloped regions where agriculture is crucial and agricultural experts are scarce. However, adopting Deep Learning applications can assist in accurately identifying diseases without needing plant pathologists. In this study, the effectiveness of various computer vision models for detecting paddy diseases is evaluated and proposed the best deep learning-based disease detection system. Both classification and detection using the Paddy Doctor dataset, which contains over 20,000 annotated images of paddy leaves for disease diagnosis are tested and evaluated. For detection, we utilized the YOLOv8 model-based model were used for paddy disease detection and CNN models and the Vision Transformer were used for disease classification. The average mAP50 of 69% for detection tasks was achieved and the Vision Transformer classification accuracy was 99.38%. It was found that detection models are effective at identifying multiple diseases simultaneously with less computing power, whereas classification models, though computationally expensive, exhibit better performance for classifying single diseases. Additionally, a mobile application was developed to enable farmers to identify paddy diseases instantly. Experiments with the app showed encouraging results in utilizing the trained models for both disease classification and treatment guidance.
• Abstract（参考訳）: 植物病は食料供給に大きな影響を与え、農家、農業に依存した経済、世界の食料安全保障に問題を引き起こします。 正確な、タイムリーな植物病の診断は、効果的な治療と収量損失の最小化に不可欠である。 農業技術の発展にもかかわらず、特に農業が重要で農業の専門家が不足している未発達の地域では、正確な早期診断が依然として難しい。 しかし、Deep Learningアプリケーションの採用は、植物病理学者を必要とせずに、病気の正確な識別を支援することができる。 本研究では,水田病検出のための様々なコンピュータビジョンモデルの有効性を評価し,最も優れた深層学習型疾患検出システムを提案する。 水田の葉に2万枚以上の注釈付き画像を含む水田博士データセットの分類と検出の両方を検査し,評価した。 検出には水田病検出にYOLOv8モデルを用いたが,CNNモデルとVision Transformerは疾患分類に利用した。 検出タスクの平均mAP50は69%で、Vision Transformerの分類精度は99.38%だった。 検出モデルは計算能力の低い複数の疾患を同時に識別するのに有効であるのに対し,分類モデルは計算コストが高いが,単一疾患の分類に優れた性能を示すことがわかった。 さらに、農夫が水田病を瞬時に特定できるモバイルアプリケーションも開発された。 アプリを用いた実験では、トレーニングされたモデルを用いて疾患分類と治療指導を行った。

関連論文リスト

• Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
  アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。 我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。 本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• Multi-Class Plant Leaf Disease Detection: A CNN-based Approach with Mobile App Integration [0.0]
  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。
  論文  参考訳（メタデータ） (2024-08-26T07:16:41Z)
• 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)
• 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)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Paddy Doctor: A Visual Image Dataset for Paddy Disease Classification [0.0]
  パディドクター(Paddy Doctor)は、水田病を識別するための画像データセットである。 本データセットは10クラス(9つの疾患と正常な葉)に13,876点の注釈付き水田葉画像を含む。 我々は、畳み込みニューラルネットワーク(CNN)とVGG16とMobileNetの2つの移行学習アプローチを用いて、パディドクターをベンチマークした。
  論文  参考訳（メタデータ） (2022-05-23T07:57:40Z)
• 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)
• Plant Disease Detection Using Image Processing and Machine Learning [0.0]
  本稿では,コンピュータビジョンと機械学習技術を用いた作物病の検出手法を提案する。 提案システムは,93%の精度で5種の共通植物の20種類の疾患を検出できる。
  論文  参考訳（メタデータ） (2021-06-20T14:11:24Z)
• Leaf Image-based Plant Disease Identification using Color and Texture Features [0.1657441317977376]
  自己収集されたデータセットの精度は、病気の識別に82.47%、健康と疾患の分類に91.40%である。 このプロトタイプシステムは、より多くの病種を追加したり、特定の作物や病種をターゲットにすることで拡張することができる。
  論文  参考訳（メタデータ） (2021-02-08T20:32:56Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• 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)

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。