Fugu-MT 論文翻訳(概要): An efficient plant disease detection using transfer learning approach

論文の概要: An efficient plant disease detection using transfer learning approach

arxiv url: http://arxiv.org/abs/2507.00070v1
Date: Sat, 28 Jun 2025 13:47:27 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-03 14:22:58.245688
Title: An efficient plant disease detection using transfer learning approach
Title（参考訳）: 転写学習を用いた植物病の効率的な検出
Authors: Bosubabu Sambana, Hillary Sunday Nnadi, Mohd Anas Wajid, Nwosu Ogochukwu Fidelia, Claudia Camacho-Zuñiga, Henry Dozie Ajuzie, Edeh Michael Onyema,
Abstract要約: 植物病は農業と農業に重大な課題をもたらす。本研究では,移動学習手法を用いて植物病の同定とモニタリングを行うシステムを提案する。このシステムは、Powdery Mildew、Angular Leaf Spot、Early blight、トマトモザイクウイルスなどの細菌、真菌、ウイルス病の存在を正確に検出することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Plant diseases pose significant challenges to farmers and the agricultural sector at large. However, early detection of plant diseases is crucial to mitigating their effects and preventing widespread damage, as outbreaks can severely impact the productivity and quality of crops. With advancements in technology, there are increasing opportunities for automating the monitoring and detection of disease outbreaks in plants. This study proposed a system designed to identify and monitor plant diseases using a transfer learning approach. Specifically, the study utilizes YOLOv7 and YOLOv8, two state-ofthe-art models in the field of object detection. By fine-tuning these models on a dataset of plant leaf images, the system is able to accurately detect the presence of Bacteria, Fungi and Viral diseases such as Powdery Mildew, Angular Leaf Spot, Early blight and Tomato mosaic virus. The model's performance was evaluated using several metrics, including mean Average Precision (mAP), F1-score, Precision, and Recall, yielding values of 91.05, 89.40, 91.22, and 87.66, respectively. The result demonstrates the superior effectiveness and efficiency of YOLOv8 compared to other object detection methods, highlighting its potential for use in modern agricultural practices. The approach provides a scalable, automated solution for early any plant disease detection, contributing to enhanced crop yield, reduced reliance on manual monitoring, and supporting sustainable agricultural practices.
Abstract（参考訳）: 植物病は農業と農業に重大な課題をもたらす。しかし、植物病の早期発見は、作物の生産性と品質に深刻な影響を及ぼす可能性があるため、その影響を緩和し、広範囲にわたる被害を防ぐために重要である。技術の進歩に伴い、植物における病気の発生の監視と検出を自動化する機会が増えている。本研究では,移動学習手法を用いて植物病の同定とモニタリングを行うシステムを提案する。具体的には、オブジェクト検出の分野で2つの最先端モデルであるYOLOv7とYOLOv8を利用する。これらのモデルを植物の葉のイメージのデータセットで微調整することで、このシステムは、Powdery Mildew、Angular Leaf Spot、Early Blight、トマトモザイクウイルスといった細菌、真菌、ウイルスの病気の存在を正確に検出することができる。このモデルの性能は平均精度(mAP)、F1スコア、精度(Precision)、リコール(Recall)などの指標を用いて評価され、それぞれ91.05、89.40、91.22、87.66の値が得られた。その結果, YOLOv8の有効性や効率性は, 他の物体検出法に比べて優れており, 近代農業における利用の可能性も浮き彫りにされている。このアプローチは、植物病の早期検出にスケーラブルで自動化されたソリューションを提供し、収穫量の向上、手動モニタリングへの依存の軽減、持続可能な農業プラクティスのサポートに寄与する。

関連論文リスト

An Approach Towards Identifying Bangladeshi Leaf Diseases through Transfer Learning and XAI [0.0]
本研究の目的は,深層学習モデルを用いて6植物に21の異なる葉病を分類することである。 VGG19とXceptionは、それぞれ98.90%と98.66%という高い精度を達成している。
論文参考訳（メタデータ） (2025-05-21T21:25:57Z)
Paddy Disease Detection and Classification Using Computer Vision Techniques: A Mobile Application to Detect Paddy Disease [0.0]
植物病は食料供給に大きな影響を与え、農家、農業に依存した経済、世界の食料安全保障に問題を引き起こします。農業技術の発展にもかかわらず、正確な早期診断は依然として課題である。ディープラーニングのアプリケーションは、植物病理学者を必要とせずに、病気を正確に識別するのに役立つ。
論文参考訳（メタデータ） (2024-12-08T17:08:27Z)
A Semantic Segmentation Approach on Sweet Orange Leaf Diseases Detection Utilizing YOLO [0.0]
本研究は、YOLOv8のような高度な人工知能モデルを利用して、甘いオレンジの葉の病気を診断する高度な手法を提案する。 YOLOv8はその迅速かつ正確な性能で認識され、VITはその詳細な特徴抽出能力で認識されている。トレーニングと検証の段階では、YOLOv8の精度は80.4%、VITの精度は99.12%であった。
論文参考訳（メタデータ） (2024-09-10T17:40:46Z)
PlantSeg: A Large-Scale In-the-wild Dataset for Plant Disease Segmentation [37.383095056084834]
植物病データセットは一般的にセグメンテーションラベルを欠いている。実験室の設定からの画像を含む典型的なデータセットとは異なり、PlanetSegは主に野生の植物病の画像で構成されている。植物セグは11,400枚の画像と病気のセグメンテーションマスクと、植物の種類によって分類された8000枚の健康な植物画像が特徴である。
論文参考訳（メタデータ） (2024-09-06T06:11:28Z)
Identification of Abnormality in Maize Plants From UAV Images Using Deep Learning Approaches [0.6226366855893847]
植物の異常の早期発見は、適切な生育を確保し、作物から高い収量を得るための重要な課題である。本研究は, 成長段階とは無関係に, トウモロコシの異常度を判定する手法を開発した。予備結果は、低い異常の88.89%の検出精度と100%の異常の検知精度を示している。
論文参考訳（メタデータ） (2023-10-20T00:06:42Z)
Detection of healthy and diseased crops in drone captured images using Deep Learning [0.0]
病気によって引き起こされる植物の正常な状態の破壊は、しばしば本質的な植物活動に干渉する。ドローン画像を用いた植物病の効率的な検出のための深層学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2023-05-22T21:15:12Z)
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)
Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文参考訳（メタデータ） (2021-06-14T21:57:40Z)
One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。 2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
論文参考訳（メタデータ） (2020-12-14T10:44:22Z)
Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文参考訳（メタデータ） (2020-12-07T16:23:13Z)

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。