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
- 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) - 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) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - An Efficient Transfer Learning-based Approach for Apple Leaf Disease
Classification [0.0]
本研究では, 移行学習に基づくリンゴ葉病の同定手法を提案する。
提案したパイプラインの能力は、公開されているPlanetVillageのデータセットから、リンゴの葉病サブセットに基づいて評価されている。
論文 参考訳（メタデータ） (2023-04-10T08:48:36Z) - 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) - 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) - 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) - Precise Tradeoffs in Adversarial Training for Linear Regression [55.764306209771405]
本稿では,ガウス的特徴を伴う線形回帰の文脈における対人訓練の役割を,正確かつ包括的に理解する。
我々は,同時代のミニマックス対逆訓練手法によって達成された標準/ロバスト精度とそれに対応するトレードオフを正確に特徴づける。
逆行訓練アルゴリズムの理論は、様々な要因(トレーニングデータのサイズや品質、モデルの過度化など)がこれらの2つの競合するアキュラシー間のトレードオフにどのように影響するかを厳密に研究する上で役立ちます。
論文 参考訳（メタデータ） (2020-02-24T19:01:47Z)
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。