論文の概要: Identification of Traditional Medicinal Plant Leaves Using an effective Deep Learning model and Self-Curated Dataset

• arxiv url: http://arxiv.org/abs/2501.09363v1
• Date: Thu, 16 Jan 2025 08:18:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 15:10:16.676719
• Title: Identification of Traditional Medicinal Plant Leaves Using an effective Deep Learning model and Self-Curated Dataset
• Title（参考訳）: 効果的な深層学習モデルと自己計算データを用いた伝統的な薬草葉の同定
• Authors: Deepjyoti Chetia, Sanjib Kr Kalita, Prof Partha Pratim Baruah, Debasish Dutta, Tanaz Akhter,
• Abstract要約: 提案したモデルは、カスタム畳み込みニューラルネットワーク(CNN)アーキテクチャで、6つの畳み込み層、最大プール層、および高密度層を備える。 このモデルは、Indian Medicinal Leaves Imageデータセット、MED117 Medicinal Plant Leafデータセット、著者による自己計算データセットという3つの異なるデータセットでテストされた。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Medicinal plants have been a key component in producing traditional and modern medicines, especially in the field of Ayurveda, an ancient Indian medical system. Producing these medicines and collecting and extracting the right plant is a crucial step due to the visually similar nature of some plants. The extraction of these plants from nonmedicinal plants requires human expert intervention. To solve the issue of accurate plant identification and reduce the need for a human expert in the collection process; employing computer vision methods will be efficient and beneficial. In this paper, we have proposed a model that solves such issues. The proposed model is a custom convolutional neural network (CNN) architecture with 6 convolution layers, max-pooling layers, and dense layers. The model was tested on three different datasets named Indian Medicinal Leaves Image Dataset,MED117 Medicinal Plant Leaf Dataset, and the self-curated dataset by the authors. The proposed model achieved respective accuracies of 99.5%, 98.4%, and 99.7% using various optimizers including Adam, RMSprop, and SGD with momentum.
• Abstract（参考訳）: 医学は、特に古代インドの医療システムであるAyurvedaの分野において、伝統的な医学や現代医学を生産する上で重要な要素となっている。 植物が視覚的に類似しているため、これらの薬剤を生産し、適切な植物を採取し、抽出することが重要なステップである。 これらの植物を非医学的植物から抽出するには、人間の専門的な介入が必要である。 正確な植物識別の問題を解決し、収集プロセスにおける人的専門家の必要性を低減する。 本稿では,そのような問題を解決するモデルを提案する。 提案したモデルは、カスタム畳み込みニューラルネットワーク(CNN)アーキテクチャで、6つの畳み込み層、最大プール層、および高密度層を備える。 このモデルは、Indian Medicinal leavess Image Dataset、MED117 Medicinal Plant Leaf Dataset、著者による自己計算データセットという3つの異なるデータセットでテストされた。 提案されたモデルはそれぞれ99.5%、98.4%、99.7%の精度を達成した。

関連論文リスト

• A Novel Feature Extraction Model for the Detection of Plant Disease from Leaf Images in Low Computational Devices [2.1990652930491854]
  提案手法は,葉のイメージから頑健で識別可能な特徴を抽出するために,様々なタイプのディープラーニング技術を統合する。 このデータセットには、10種類のトマト病と1種類の健康な葉から1万枚の葉の写真が含まれています。 AlexNetの精度スコアは87%で、高速で軽量であり、組み込みシステムでの使用に適している。
  論文  参考訳（メタデータ） (2024-10-01T19:32:45Z)
• Early and Accurate Detection of Tomato Leaf Diseases Using TomFormer [0.3169023552218211]
  本稿ではトマト葉病検出のためのトランスフォーマーモデルTomFormerを紹介する。 本稿では,視覚変換器と畳み込みニューラルネットワークを組み合わせた融合モデルを用いて,トマト葉病の検出手法を提案する。
  論文  参考訳（メタデータ） (2023-12-26T20:47:23Z)
• IndoHerb: Indonesia Medicinal Plants Recognition using Transfer Learning and Deep Learning [1.8499314936771563]
  本研究は,コンボリューショナルニューラルネットワーク(CNN)の導入を通じてインドネシアの草本植物を分類する課題に対処する。 厳密なデータ前処理と5つの異なるモデルを用いた移動学習手法を用いた分類を行った。 包括的な分析の結果、ConvNeXtは92.5%の精度で最高の精度を達成した。
  論文  参考訳（メタデータ） (2023-08-03T08:16:55Z)
• Few-Shot Learning Enables Population-Scale Analysis of Leaf Traits in Populus trichocarpa [1.9089478605920305]
  この研究は、(i)最小のトレーニングデータを必要とする高速で正確な画像ベースの特徴抽出のための方法と、(ii)68種類の葉の表現型を含む新しい集団規模のデータセットを、ドメイン科学者や機械学習研究者向けに植物表現型コミュニティに提供するように設計されている。 数発の学習コード、データ、結果はすべて公開されています。
  論文  参考訳（メタデータ） (2023-01-24T23:40:01Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• Soft-Label Anonymous Gastric X-ray Image Distillation [49.24576562557866]
  本稿では,勾配降下法に基づく軟式ラベル匿名胃X線画像蒸留法を提案する。 実験の結果,提案手法は医療データセットを効果的に圧縮するだけでなく,患者の個人情報を保護するために医療画像の匿名化も可能であることがわかった。
  論文  参考訳（メタデータ） (2021-04-07T02:04:12Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)
• Improved Neural Network based Plant Diseases Identification [0.0]
  農業部門は、多くの人々や食料に基本的な収入を提供するため、すべての国にとって必須であり、この惑星で生き残るための基本的な要件である。 植物病の知識が不十分なため、農家は肥料を過剰に使用し、最終的に食物の品質を低下させる。 現段階では、画像処理は植物の葉の病変領域を識別し、カタログ化するために用いられる。
  論文  参考訳（メタデータ） (2021-01-01T11:49:56Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。