Fugu-MT 論文翻訳(概要): Analysis of Plant Nutrient Deficiencies Using Multi-Spectral Imaging and Optimized Segmentation Model

論文の概要: Analysis of Plant Nutrient Deficiencies Using Multi-Spectral Imaging and Optimized Segmentation Model

arxiv url: http://arxiv.org/abs/2507.14013v1
Date: Fri, 18 Jul 2025 15:25:36 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-21 20:43:26.337676
Title: Analysis of Plant Nutrient Deficiencies Using Multi-Spectral Imaging and Optimized Segmentation Model
Title（参考訳）: 多スペクトルイメージングと最適化セグメンテーションモデルを用いた植物栄養失調の解析
Authors: Ji-Yan Wu, Zheng Yong Poh, Anoop C. Patil, Bongsoo Park, Giovanni Volpe, Daisuke Urano,
Abstract要約: 本研究では,多スペクトルイメージングと拡張YOLOv5モデルを用いた葉の異常セグメンテーションのためのディープラーニングフレームワークを提案する。このモデルは、9チャンネルのマルチスペクトル入力を処理するために調整されており、微妙で空間的に分散した症状をより正確に捉えるために自己注意機構を使用している。
参考スコア（独自算出の注目度）: 1.4172975813702
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate detection of nutrient deficiency in plant leaves is essential for precision agriculture, enabling early intervention in fertilization, disease, and stress management. This study presents a deep learning framework for leaf anomaly segmentation using multispectral imaging and an enhanced YOLOv5 model with a transformer-based attention head. The model is tailored for processing nine-channel multispectral input and uses self-attention mechanisms to better capture subtle, spatially-distributed symptoms. The plants in the experiments were grown under controlled nutrient stress conditions for evaluation. We carry out extensive experiments to benchmark the proposed model against the baseline YOLOv5. Extensive experiments show that the proposed model significantly outperforms the baseline YOLOv5, with an average Dice score and IoU (Intersection over Union) improvement of about 12%. In particular, this model is effective in detecting challenging symptoms like chlorosis and pigment accumulation. These results highlight the promise of combining multi-spectral imaging with spectral-spatial feature learning for advancing plant phenotyping and precision agriculture.
Abstract（参考訳）: 植物の葉の栄養不足の正確な検出は、精密農業に不可欠であり、受精、病気、ストレス管理への早期介入を可能にする。本研究は,多スペクトル画像を用いた葉の異常セグメンテーションのための深層学習フレームワークと,変圧器を用いたアテンションヘッドを用いたYOLOv5モデルを提案する。このモデルは、9チャンネルのマルチスペクトル入力を処理するために調整されており、微妙で空間的に分散した症状をより正確に捉えるために自己注意機構を使用している。実験中の植物は, 制御された栄養ストレス条件下で生育し, 評価を行った。提案手法をベースライン YOLOv5 に対してベンチマークする実験を行った。実験の結果,提案モデルは平均DiceスコアとIoU改善率約12%で,YOLOv5よりも有意に優れていた。特に、このモデルは、クロロシスや色素蓄積のような困難な症状を検出するのに有効である。これらの結果から,マルチスペクトルイメージングとスペクトル空間特徴学習を組み合わせることで,植物の表現型化と精密農業を推し進める可能性が示唆された。

関連論文リスト

PlantSAM: An Object Detection-Driven Segmentation Pipeline for Herbarium Specimens [0.5339846068056558]
植物領域検出のための YOLOv10 とセグメンテーションのための Segment Anything Model (SAM2) を統合した自動セグメンテーションパイプラインである PlantSAM を紹介する。 YOLOv10はSAM2を誘導するバウンディングボックスプロンプトを生成し、セグメンテーション精度を高める。 PlantSAMは最先端のセグメンテーション性能を達成し、IoUは0.94、Dice係数は0.97である。
論文参考訳（メタデータ） (2025-07-22T12:02:39Z)
Neural Network-based Study for Rice Leaf Disease Recognition and Classification: A Comparative Analysis Between Feature-based Model and Direct Imaging Model [0.6031721946649196]
米の葉病は生産性を著しく低下させ、経済的損失を引き起こす。本研究では,イネ病のタイムリーな分類と認識のためのニューラルネットワーク(ANN)に基づく画像処理手法を提案する。
論文参考訳（メタデータ） (2025-07-03T05:26:52Z)
Plant Disease Detection through Multimodal Large Language Models and Convolutional Neural Networks [0.5009853409756729]
本研究では,多モーダル大規模言語モデル(LLM)と畳み込みニューラルネットワーク(CNN)を併用した葉のイメージを用いた植物病の自動分類の有効性について検討した。ゼロショット,少数ショット,プログレッシブ微調整シナリオのモデル性能を評価する。
論文参考訳（メタデータ） (2025-04-29T04:31:58Z)
Revisiting Automatic Data Curation for Vision Foundation Models in Digital Pathology [41.34847597178388]
視覚基盤モデル(FM)は、全スライディング画像から抽出された高度に異質なタイルの組織学的特徴を表現することを学ぶ。タイルレベルでの教師なし自動データキュレーションの可能性について検討し,3億5000万個のタイルを考慮に入れた。
論文参考訳（メタデータ） (2025-03-24T14:23:48Z)
DiffDoctor: Diagnosing Image Diffusion Models Before Treating [57.82359018425674]
DiffDoctorは2段階のパイプラインで、画像拡散モデルがより少ないアーティファクトを生成するのを支援する。我々は100万以上の欠陥のある合成画像のデータセットを収集し、効率的なHuman-in-the-loopアノテーションプロセスを構築した。次に、学習したアーティファクト検出器が第2段階に関与し、ピクセルレベルのフィードバックを提供することで拡散モデルを最適化する。
論文参考訳（メタデータ） (2025-01-21T18:56:41Z)
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)
PlantPlotGAN: A Physics-Informed Generative Adversarial Network for Plant Disease Prediction [2.7409168462107347]
リアルな植生指標を持つ合成多スペクトルプロット画像を作成することができる物理インフォームド・ジェネレーティブ・モデルであるPlanetPlotGANを提案する。その結果, PlantPlotGANから生成された合成画像はFr'echet開始距離に関して最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2023-10-27T16:56:28Z)
Machine Learning Small Molecule Properties in Drug Discovery [44.62264781248437]
我々は, 結合親和性, 溶解性, ADMET (吸収, 分布, 代謝, 排出, 毒性) を含む幅広い特性について検討する。化学指紋やグラフベースニューラルネットワークなど,既存の一般的な記述子や埋め込みについて論じる。最後に、モデル予測の理解を提供する技術、特に薬物発見における重要な意思決定について評価する。
論文参考訳（メタデータ） (2023-08-02T22:18:41Z)
Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文参考訳（メタデータ） (2023-05-18T06:54:56Z)
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)
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)

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。