論文の概要: A Hybrid Technique for Plant Disease Identification and Localisation in Real-time

• arxiv url: http://arxiv.org/abs/2412.19682v1
• Date: Fri, 27 Dec 2024 15:20:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:26:02.778498
• Title: A Hybrid Technique for Plant Disease Identification and Localisation in Real-time
• Title（参考訳）: 植物病の同定とリアルタイム局在のためのハイブリッド技術
• Authors: Mahendra Kumar Gohil, Anirudha Bhattacharjee, Rwik Rana, Kishan Lal, Samir Kumar Biswas, Nachiketa Tiwari, Bishakh Bhattacharya,
• Abstract要約: 本稿では, 画像のQuad-Tree分解に基づく植物病の同定とローカライズのための新しい手法を提案する。 提案アルゴリズムは,比較的計算負荷の少ない高解像度画像の精度と高速収束を著しく向上する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Over the past decade, several image-processing methods and algorithms have been proposed for identifying plant diseases based on visual data. DNN (Deep Neural Networks) have recently become popular for this task. Both traditional image processing and DNN-based methods encounter significant performance issues in real-time detection owing to computational limitations and a broad spectrum of plant disease features. This article proposes a novel technique for identifying and localising plant disease based on the Quad-Tree decomposition of an image and feature learning simultaneously. The proposed algorithm significantly improves accuracy and faster convergence in high-resolution images with relatively low computational load. Hence it is ideal for deploying the algorithm in a standalone processor in a remotely operated image acquisition and disease detection system, ideally mounted on drones and robots working on large agricultural fields. The technique proposed in this article is hybrid as it exploits the advantages of traditional image processing methods and DNN-based models at different scales, resulting in faster inference. The F1 score is approximately 0.80 for four disease classes corresponding to potato and tomato crops.
• Abstract（参考訳）: 過去10年間で、視覚データに基づいて植物病を特定するために、いくつかの画像処理手法とアルゴリズムが提案されている。 DNN(Deep Neural Networks)はこのタスクで最近人気になった。 従来の画像処理とDNNベースの手法は、計算の限界と幅広い植物病の特徴により、リアルタイム検出において重要なパフォーマンス上の問題に直面している。 本稿では,画像のQuad-Tree分解と特徴学習を同時に行うことで,植物病の同定とローカライズを行う新しい手法を提案する。 提案アルゴリズムは,比較的計算負荷の少ない高解像度画像の精度と高速収束を著しく向上する。 したがって、遠隔操作による画像取得と疾患検出システムにおいて、このアルゴリズムをスタンドアロンのプロセッサにデプロイすることは理想的であり、理想的には、大規模な農地で作業するドローンやロボットに搭載される。 本稿では,従来の画像処理手法とDNNベースのモデルを異なるスケールで利用することにより,より高速な推論を実現するため,ハイブリッドな手法を提案する。 F1スコアは、ジャガイモとトマトの作物に対応する4つの病種に対して約0.80である。

関連論文リスト

• Small data deep learning methodology for in-field disease detection [6.2747249113031325]
  本稿では,ポテト作物の遅発症状を軽度に検出できる最初の機械学習モデルを提案する。 提案手法は, 焦点損失関数を持つ深部畳み込みニューラルネットワークをベースとした, パッチ方式による高分解能画像の高精細化を実現する。 本モデルでは, 早期症状の同定に高い精度と有効性を示した。
  論文  参考訳（メタデータ） (2024-09-25T17:31:17Z)
• Improving FHB Screening in Wheat Breeding Using an Efficient Transformer Model [0.0]
  フサリウム・ヘッド・ブライト(Fusarium head blight)は、小さな穀物に毎年重大な経済的損失をもたらす壊滅的な病気である。 FHBの早期検出のために,教師付き機械学習アルゴリズムを用いて画像処理技術を開発した。 変圧器モデルにU-Netネットワークの局所表現機能を統合するために,新しいContext Bridgeを提案する。
  論文  参考訳（メタデータ） (2023-08-07T15:44:58Z)
• Domain-Aware Few-Shot Learning for Optical Coherence Tomography Noise Reduction [0.0]
  光コヒーレンストモグラフィ(OCT)ノイズ低減のための数発の教師付き学習フレームワークを提案する。 このフレームワークは、トレーニング速度を劇的に向上させ、単一の画像または画像の一部だけを必要とし、対応するスペックルが地面の真実を抑圧する。 この結果から, 試料の複雑さ, 一般化, 時間効率を向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-06-13T19:46:40Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• A workflow for segmenting soil and plant X-ray CT images with deep learning in Googles Colaboratory [45.99558884106628]
  我々はX線マイクロCT画像に畳み込みニューラルネットワークを適用するためのモジュラーワークフローを開発した。 クルミの葉, アーモンドの花芽, 土壌集合体のサンプルスキャンを用いて, 最適な結果を得るために, パラメータを最適化する方法を示す。
  論文  参考訳（メタデータ） (2022-03-18T00:47:32Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• Less is More: Lighter and Faster Deep Neural Architecture for Tomato Leaf Disease Classification [0.36700088931938835]
  本研究は,トマト葉の病原体を検出するための,手軽な伝達学習に基づくアプローチを提案する。 効果的な前処理手法を用いて、照度補正による葉画像の高精細化を行い、分類を改良する。 提案アーキテクチャは99.30%の精度でモデルサイズ9.60MBと4.87M浮動小数点演算を実現している。
  論文  参考訳（メタデータ） (2021-09-06T12:14:02Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。