論文の概要: Detecting Multiple Diseases in Multiple Crops Using Deep Learning

• arxiv url: http://arxiv.org/abs/2507.02517v1
• Date: Thu, 03 Jul 2025 10:26:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:16.174479
• Title: Detecting Multiple Diseases in Multiple Crops Using Deep Learning
• Title（参考訳）: 深層学習による複数作物の多発性疾患の検出
• Authors: Vivek Yadav, Anugrah Jain,
• Abstract要約: 本論文では,インドにおける多様な農業景観をカバーすることを目的とした,複数作物の多疾患検出のための深層学習型ソリューションを提案する。 まず、利用可能なリポジトリから17の異なる作物と34の病気の画像を含む統合データセットを作成します。 提案されたディープラーニングモデルは、このデータセットに基づいてトレーニングされ、精度とカバーされる作物、病気の数で最先端のパフォーマンスを誇っている。
• 参考スコア（独自算出の注目度）: 0.6138671548064356
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: India, as a predominantly agrarian economy, faces significant challenges in agriculture, including substantial crop losses caused by diseases, pests, and environmental stress. Early detection and accurate identification of diseases across different crops are critical for improving yield and ensuring food security. This paper proposes a deep learning based solution for detecting multiple diseases in multiple crops, aimed to cover India's diverse agricultural landscape. We first create a unified dataset encompassing images of 17 different crops and 34 different diseases from various available repositories. Proposed deep learning model is trained on this dataset and outperforms the state-of-the-art in terms of accuracy and the number of crops, diseases covered. We achieve a significant detection accuracy, i.e., 99 percent for our unified dataset which is 7 percent more when compared to state-of-the-art handling 14 crops and 26 different diseases only. By improving the number of crops and types of diseases that can be detected, proposed solution aims to provide a better product for Indian farmers.
• Abstract（参考訳）: インドは、主に農業経済として、病気、害虫、環境ストレスによって引き起こされる作物のかなりの損失など、農業において重大な課題に直面している。 異なる作物にまたがる病気の早期発見と正確な同定は、収量の改善と食料安全保障の確保に不可欠である。 本論文では,インドにおける多様な農業景観をカバーすることを目的とした,複数作物の多疾患検出のための深層学習型ソリューションを提案する。 まず、利用可能なリポジトリから17の異なる作物と34の病気の画像を含む統合データセットを作成します。 提案されたディープラーニングモデルは、このデータセットに基づいてトレーニングされ、精度とカバーされる作物、病気の数で最先端のパフォーマンスを誇っている。 統合データセットの99%は、最先端の14の作物と26の異なる病気に対して、7%の精度で検出できます。 検出可能な作物の数や病気の種類を改善することで、提案手法はインドの農家により良い製品を提供することを目的としている。

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)
• Agri-LLaVA: Knowledge-Infused Large Multimodal Assistant on Agricultural Pests and Diseases [49.782064512495495]
  農業分野における最初のマルチモーダル・インストラクション・フォロー・データセットを構築した。 このデータセットは、約40万のデータエントリを持つ221種類以上の害虫と病気をカバーしている。 本稿では,農業用マルチモーダル対話システムであるAgri-LLaVAを開発するための知識注入型学習手法を提案する。
  論文  参考訳（メタデータ） (2024-12-03T04:34:23Z)
• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• Advancing Cucumber Disease Detection in Agriculture through Machine Vision and Drone Technology [0.0]
  本研究では, 機械ビジョンとドローン技術を用いて, 農業におけるキュウリ病の診断方法を提案する。 この研究のバックボーンは、本物のフィールド条件下で取得されたハイパースペクトルのデータセットである。 このモデルは8つのユニークなキュウリの病気を区別する上で、87.5%の精度を達成している。
  論文  参考訳（メタデータ） (2024-09-18T22:54:23Z)
• Artificial Immune System of Secure Face Recognition Against Adversarial Attacks [67.31542713498627]
  昆虫生産には 最大限の可能性を実現するために 最適化が必要です これは選択的育種による興味のある形質の改善が目的である。 このレビューは、様々な分野の知識と、動物の繁殖、定量的遺伝学、進化生物学、昆虫学のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-06-26T07:50:58Z)
• Leaf-Based Plant Disease Detection and Explainable AI [16.128084819516715]
  農業部門は国の経済成長に不可欠な役割を担っている。 植物病は農業に影響を及ぼす重要な要因の1つである。 研究者は、植物病を検出するAIと機械学習技術に基づく多くのアプリケーションを調査してきた。
  論文  参考訳（メタデータ） (2023-12-17T03:40:12Z)
• AMaizeD: An End to End Pipeline for Automatic Maize Disease Detection [0.0]
  AMaizeDは、ドローンから得られたマルチスペクトル画像を用いて、トウモロコシの作物の病気を早期に検出する自動化フレームワークである。 提案するフレームワークは,コンボリューションニューラルネットワーク(CNN)を特徴抽出器とセグメンテーション技術に組み合わせて,トウモロコシの植物とその関連疾患を同定する。
  論文  参考訳（メタデータ） (2023-07-23T19:58:40Z)
• Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [110.30849704592592]
  本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。 各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。 農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
  論文  参考訳（メタデータ） (2020-01-05T20:19:33Z)

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。