論文の概要: Improved Cotton Leaf Disease Classification Using Parameter-Efficient Deep Learning Framework
- arxiv url: http://arxiv.org/abs/2412.17587v1
- Date: Mon, 23 Dec 2024 14:01:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 16:01:32.090510
- Title: Improved Cotton Leaf Disease Classification Using Parameter-Efficient Deep Learning Framework
- Title(参考訳): パラメータ効率のよいディープラーニングフレームワークを用いた綿葉病の分類法の改良
- Authors: Aswini Kumar Patra, Tejashwini Gajurel,
- Abstract要約: 綿花は「白金」と呼ばれ、重要な生産課題に直面している。
この課題に対処するために、ディープラーニングと機械学習の技術が研究されている。
我々はMobileNetからトレーニング可能なレイヤのサブセットを統合する革新的なディープラーニングフレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Cotton crops, often called "white gold," face significant production challenges, primarily due to various leaf-affecting diseases. As a major global source of fiber, timely and accurate disease identification is crucial to ensure optimal yields and maintain crop health. While deep learning and machine learning techniques have been explored to address this challenge, there remains a gap in developing lightweight models with fewer parameters which could be computationally effective for agricultural practitioners. To address this, we propose an innovative deep learning framework integrating a subset of trainable layers from MobileNet, transfer learning, data augmentation, a learning rate decay schedule, model checkpoints, and early stopping mechanisms. Our model demonstrates exceptional performance, accurately classifying seven cotton disease types with an overall accuracy of 98.42% and class-wise precision ranging from 96% to 100%. This results in significantly enhanced efficiency, surpassing recent approaches in accuracy and model complexity. The existing models in the literature have yet to attain such high accuracy, even when tested on data sets with fewer disease types. The substantial performance improvement, combined with the lightweight nature of the model, makes it practically suitable for real-world applications in smart farming. By offering a high-performing and efficient solution, our framework can potentially address challenges in cotton cultivation, contributing to sustainable agricultural practices.
- Abstract(参考訳): 綿花は、しばしば「白金」と呼ばれ、主に葉に影響を及ぼす病気のために生産上の重大な課題に直面している。
繊維のグローバルな供給源として、最適な収量を確保し、作物の健康を維持するために、タイムリーで正確な病気の特定が不可欠である。
この課題に対処するために、ディープラーニングと機械学習の技術が研究されているが、農業従事者にとって計算的に有効なパラメータが少ない軽量モデルの開発には、依然としてギャップがある。
そこで本研究では,MobileNetからトレーニング可能なレイヤのサブセット,転送学習,データ拡張,学習速度減衰スケジュール,モデルチェックポイント,早期停止機構を統合した,革新的なディープラーニングフレームワークを提案する。
本モデルでは,96%から100%の精度で,全体の98.42%の精度で7種類の綿病を正確に分類した。
その結果、効率が大幅に向上し、最近の精度とモデルの複雑さのアプローチを超越した。
文献の既存のモデルは、病気の少ないデータセットでテストしても、そのような高い精度を達成できていない。
モデルの性能向上と軽量な性質が組み合わさって、スマート農業における実世界の応用に事実上適している。
高い性能と効率的なソリューションを提供することで、我々のフレームワークは綿花栽培の課題に対処し、持続可能な農業慣行に寄与する可能性がある。
関連論文リスト
- Breast Tumor Classification Using EfficientNet Deep Learning Model [5.062500255359342]
我々は、集中的なデータ拡張パイプラインとコスト感受性学習を導入し、表現を改善し、モデルが多数派クラスを過度に好まないことを保証する。
以上の結果より,バイナリ分類性能が著しく向上し,良性症例に対する例外的リコールが向上した。
論文 参考訳(メタデータ) (2024-11-26T20:38:33Z) - Automated Disease Diagnosis in Pumpkin Plants Using Advanced CNN Models [0.0]
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。
論文 参考訳(メタデータ) (2024-09-29T14:31:23Z) - Efficient Point Cloud Classification via Offline Distillation Framework and Negative-Weight Self-Distillation Technique [46.266960248570086]
本稿では,教師モデルと生徒モデルの両方の同時ロードを回避する,革新的なオフライン記録戦略を提案する。
このアプローチは教師モデルに多数の追加サンプルを投入し、データ拡張パラメータと対応するロジット出力の両方を記録する。
実験により, 提案した蒸留方式により, 学生モデルが最先端モデルに匹敵する性能を達成できることが実証された。
論文 参考訳(メタデータ) (2024-09-03T16:12:12Z) - 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) - Class-specific Data Augmentation for Plant Stress Classification [8.433217399526521]
本稿では,遺伝的アルゴリズムを用いたクラス固有の自動データ拡張手法を提案する。
葉に症状がみられるダイズ(Glycine max (L.) Merr)ストレス分類に対するアプローチの有用性を実証した。
本手法は,ダイズ葉のストレスデータセットにおいて,平均クラス毎の精度97.61%,全体的な精度98%を達成し,高い性能を示した。
論文 参考訳(メタデータ) (2024-06-18T22:01:25Z) - 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) - Prototype-Anchored Learning for Learning with Imperfect Annotations [83.7763875464011]
不完全な注釈付きデータセットからバイアスのない分類モデルを学ぶことは困難である。
本稿では,様々な学習に基づく分類手法に容易に組み込むことができるプロトタイプ・アンコレッド学習法を提案する。
我々は,PALがクラス不均衡学習および耐雑音学習に与える影響を,合成および実世界のデータセットに関する広範な実験により検証した。
論文 参考訳(メタデータ) (2022-06-23T10:25:37Z) - SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for
Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。
皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。
本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2022-03-22T06:54:29Z) - Knowledge Distillation as Semiparametric Inference [44.572422527672416]
モデル圧縮に対する一般的なアプローチは、安価な学生モデルを訓練して、高精度だが面倒な教師モデルのクラス確率を模倣する。
この2段階の知識蒸留プロセスは、しばしばラベル付きデータで直接学生を訓練するよりも高い精度をもたらす。
対象とする最適学生モデルを用いた半パラメトリック推定問題として知識蒸留を行い,未知ベイズ級確率を迷惑として,教師確率をプラグイン迷惑推定として用いた。
論文 参考訳(メタデータ) (2021-04-20T03:00:45Z) - Improving Model Robustness by Adaptively Correcting Perturbation Levels
with Active Queries [43.98198697182858]
モデルが人間の専門家から正しい摂動レベルを対話的に照会できるように,新しいアクティブラーニングフレームワークを提案する。
理論的解析と実験的研究の両方が提案手法の有効性を検証した。
論文 参考訳(メタデータ) (2021-03-27T07:09:01Z) - 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。