論文の概要: Determining Mosaic Resilience in Sugarcane Plants using Hyperspectral Images

• arxiv url: http://arxiv.org/abs/2501.16700v1
• Date: Tue, 28 Jan 2025 04:33:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-29 16:42:41.974489
• Title: Determining Mosaic Resilience in Sugarcane Plants using Hyperspectral Images
• Title（参考訳）: ハイパースペクトル画像を用いたサトウキビ植物のモザイク抵抗性の決定
• Authors: Ali Zia, Jun Zhou, Muyiwa Olayemi,
• Abstract要約: サトウキビのモザイク病はオーストラリアのサトウキビ産業に深刻な脅威をもたらす。 既存のモザイクレジリエンスを検出する検査方法は、大規模な応用には非効率で実用的ではない。 本研究では,高スペクトル画像と機械学習を用いてモザイクレジリエンスを検出する手法を提案する。
• 参考スコア（独自算出の注目度）: 6.45017411984423
• License:
• Abstract: Sugarcane mosaic disease poses a serious threat to the Australian sugarcane industry, leading to yield losses of up to 30% in susceptible varieties. Existing manual inspection methods for detecting mosaic resilience are inefficient and impractical for large-scale application. This study introduces a novel approach using hyperspectral imaging and machine learning to detect mosaic resilience by leveraging global feature representation from local spectral patches. Hyperspectral data were collected from eight sugarcane varieties under controlled and field conditions. Local spectral patches were analyzed to capture spatial and spectral variations, which were then aggregated into global feature representations using a ResNet18 deep learning architecture. While classical methods like Support Vector Machines struggled to utilize spatial-spectral relationships effectively, the deep learning model achieved high classification accuracy, demonstrating its capacity to identify mosaic resilience from fine-grained hyperspectral data. This approach enhances early detection capabilities, enabling more efficient management of susceptible strains and contributing to sustainable sugarcane production.
• Abstract（参考訳）: サトウキビのモザイク病は、オーストラリアのサトウキビ産業にとって深刻な脅威となり、最大30%の病原体が失われる。 モザイクレジリエンスを検出するための既存の手動検査手法は、大規模な応用には非効率で実用的ではない。 本研究では,局所的なスペクトルパッチからグローバルな特徴表現を活用することで,モザイクのレジリエンスを検出するために,ハイパースペクトルイメージングと機械学習を用いた新しいアプローチを提案する。 8種類のサトウキビ品種から, 制御条件およびフィールド条件下でのハイパースペクトルデータを収集した。 局所スペクトルパッチを用いて空間およびスペクトルの変動を解析し、ResNet18ディープラーニングアーキテクチャを用いてグローバルな特徴表現に集約した。 Support Vector Machinesのような古典的な手法は空間-スペクトル関係を効果的に活用するのに苦労したが、ディープラーニングモデルは高い分類精度を達成し、微細な超スペクトルデータからモザイクのレジリエンスを識別する能力を示した。 このアプローチは早期検出能力を高め、感受性株のより効率的な管理を可能にし、持続可能なサトウキビ生産に寄与する。

関連論文リスト

• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• SugarViT -- Multi-objective Regression of UAV Images with Vision Transformers and Deep Label Distribution Learning Demonstrated on Disease Severity Prediction in Sugar Beet [3.2925222641796554]
  この研究は、大規模植物固有の特徴アノテーションを自動化するための機械学習フレームワークを導入する。 我々は、SugarViTと呼ばれる重症度評価のための効率的なビジョントランスフォーマーモデルを開発した。 この特殊なユースケースでモデルは評価されるが、様々な画像に基づく分類や回帰タスクにも可能な限り汎用的に適用可能である。
  論文  参考訳（メタデータ） (2023-11-06T13:01:17Z)
• Aphid Cluster Recognition and Detection in the Wild Using Deep Learning Models [17.65292847038642]
  アフィドの寄生は作物生産、農村社会、世界の食料安全保障に重大な脅威をもたらす。 本稿では,アフィドクラスタの検出にディープラーニングモデルを用いることに主眼を置いている。 そこで本研究では,アフィドクラスターの検出により感染レベルを推定する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-10T23:53:07Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• 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)
• A fast accurate fine-grain object detection model based on YOLOv4 deep neural network [0.0]
  商業農場や果樹園における植物病の早期発見と予防は、精密農業技術の重要な特徴である。 本稿では,植物病の検出におけるいくつかの障害に対処する高性能なリアルタイム微粒物検出フレームワークを提案する。 提案するモデルは、You Only Look Once (YOLOv4)アルゴリズムの改良版に基づいて構築されている。
  論文  参考訳（メタデータ） (2021-10-30T17:56:13Z)
• A Novel CropdocNet for Automated Potato Late Blight Disease Detection from the Unmanned Aerial Vehicle-based Hyperspectral Imagery [3.3283767441645478]
  晩発病はジャガイモの作物で最も破壊的な病気の1つであり、世界中で深刻な収量減少につながっている。 作物病の診断における現在の農業慣行は、個人のバイアスを受けるコスト、時間のかかる手動の視覚検査に基づいている。 近年の撮像センサー(RGB、多重スペクトルカメラ、ハイパースペクトルカメラなど)、リモートセンシング、機械学習は、この課題に対処する機会を提供する。
  論文  参考訳（メタデータ） (2021-07-28T11:18:48Z)
• Anomaly Detection via Self-organizing Map [52.542991004752]
  製品品質管理のための工業生産において,異常検出が重要な役割を担っている。 従来の異常検出方法は、限定的な一般化能力を持つルールベースである。 教師付きディープラーニングに基づく最近の手法は、より強力だが、訓練には大規模な注釈付きデータセットが必要である。
  論文  参考訳（メタデータ） (2021-07-21T06:56:57Z)
• 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。