論文の概要: Evaluation of State-of-the-Art Deep Learning Techniques for Plant Disease and Pest Detection

• arxiv url: http://arxiv.org/abs/2508.08317v1
• Date: Sat, 09 Aug 2025 08:23:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.169531
• Title: Evaluation of State-of-the-Art Deep Learning Techniques for Plant Disease and Pest Detection
• Title（参考訳）: 植物病・害虫検出のための最先端深層学習技術の評価
• Authors: Saptarshi Banerjee, Tausif Mallick, Amlan Chakroborty, Himadri Nath Saha, Nityananda T. Takur,
• Abstract要約: 本研究は、植物病や害虫を画像から検出するためのコンピュータによる最新の技術についてレビューする。 この研究は、システム設計の課題について議論し、解決策を提案し、将来的な研究の方向性を概説することで締めくくられる。
• 参考スコア（独自算出の注目度）: 0.3628457733531157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Addressing plant diseases and pests is critical for enhancing crop production and preventing economic losses. Recent advances in artificial intelligence (AI), machine learning (ML), and deep learning (DL) have significantly improved the precision and efficiency of detection methods, surpassing the limitations of manual identification. This study reviews modern computer-based techniques for detecting plant diseases and pests from images, including recent AI developments. The methodologies are organized into five categories: hyperspectral imaging, non-visualization techniques, visualization approaches, modified deep learning architectures, and transformer models. This structured taxonomy provides researchers with detailed, actionable insights for selecting advanced state-of-the-art detection methods. A comprehensive survey of recent work and comparative studies demonstrates the consistent superiority of modern AI-based approaches, which often outperform older image analysis methods in speed and accuracy. In particular, vision transformers such as the Hierarchical Vision Transformer (HvT) have shown accuracy exceeding 99.3% in plant disease detection, outperforming architectures like MobileNetV3. The study concludes by discussing system design challenges, proposing solutions, and outlining promising directions for future research.
• Abstract（参考訳）: 植物病や害虫に対処することは、作物生産の増強と経済的損失の防止に重要である。 人工知能(AI)、機械学習(ML)、ディープラーニング(DL)の最近の進歩は、手動識別の限界を越えて、検出方法の精度と効率を大幅に改善している。 本研究は、最近のAI開発を含む画像から植物病や害虫を検出するための、コンピュータによる最新の技術についてレビューする。 手法は、ハイパースペクトルイメージング、非視覚化技術、可視化アプローチ、修正されたディープラーニングアーキテクチャ、トランスフォーマーモデルという5つのカテゴリに分けられる。 この構造分類学は、先進的な最先端検出方法を選択するための詳細な、実用的な洞察を提供する。 最近の研究と比較研究の包括的な調査は、現代のAIベースのアプローチの一貫性のある優位性を示している。 特に、階層型視覚変換器(HvT)のような視覚変換器は、植物病の検出において99.3%を超える精度を示し、MobileNetV3のようなアーキテクチャよりも優れている。 この研究は、システム設計の課題について議論し、解決策を提案し、将来的な研究の方向性を概説することで締めくくられる。

関連論文リスト

• Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
  医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。 本稿は、この新興分野に関する最初の体系的なレビューを提供する。 本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
  論文  参考訳（メタデータ） (2025-08-01T14:41:31Z)
• Crop Pest Classification Using Deep Learning Techniques: A Review [2.766593572717773]
  昆虫害虫は世界中の作物に深刻な脅威をもたらし続けている。 ディープラーニングは強力なソリューションとして登場し、畳み込みニューラルネットワーク(CNN)やビジョントランスフォーマー(ViT)、害虫検出を自動化するハイブリッドモデルといったテクニックが普及している。 このレビューでは、2018年から2025年にかけて、慎重に選択された37の研究が、AIベースの害虫分類に焦点を当てている。
  論文  参考訳（メタデータ） (2025-07-02T08:52:35Z)
• Keeping Medical AI Healthy: A Review of Detection and Correction Methods for System Degradation [6.781778751487079]
  このレビューでは、医療におけるAIシステムの「健康」の監視と維持について、前向きな視点を提示する。 継続的パフォーマンス監視、早期劣化検出、効果的な自己補正メカニズムの緊急ニーズを強調します。 この研究は、ダイナミックな臨床環境における安全な長期展開を維持できる信頼性が高く堅牢な医療AIシステムの開発を導くことを目的としている。
  論文  参考訳（メタデータ） (2025-06-20T19:22:07Z)
• Power Transformer Health Index and Life Span Assessment: A Comprehensive Review of Conventional and Machine Learning based Approaches [0.0]
  電力変圧器は電力システムにおいて重要な役割を担い、健康評価と残りの寿命の予測を行う。 本稿では,既存の文献を包括的に検討し,従来手法と最先端技術の両方に焦点をあてる。 本論文は, 変圧器条件の評価に最も広く利用されている知的アルゴリズムに, 知的故障診断手法と棚上げ法を解説する。
  論文  参考訳（メタデータ） (2025-04-19T13:48:05Z)
• Leaf diseases detection using deep learning methods [0.0]
  本稿では,効率的なネットワークアーキテクチャの同定と記述とともに,作物の葉の病原体検出のための新しい手法を提案する。 プレトレーニングモデルを用いた研究に加えて,植物葉病の同定と検出に有効なCNNに基づく新しいモデルを提案した。
  論文  参考訳（メタデータ） (2024-12-31T22:56:19Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• Small data deep learning methodology for in-field disease detection [6.2747249113031325]
  本稿では,ポテト作物の遅発症状を軽度に検出できる最初の機械学習モデルを提案する。 提案手法は, 焦点損失関数を持つ深部畳み込みニューラルネットワークをベースとした, パッチ方式による高分解能画像の高精細化を実現する。 本モデルでは, 早期症状の同定に高い精度と有効性を示した。
  論文  参考訳（メタデータ） (2024-09-25T17:31:17Z)
• Exploring Inconsistent Knowledge Distillation for Object Detection with Data Augmentation [66.25738680429463]
  物体検出のための知識蒸留(KD)は、教師モデルから知識を伝達することで、コンパクトな検出器を訓練することを目的としている。 教師モデルの反直感的知覚に固有の知識を蒸留することを目的とした,一貫性のない知識蒸留(IKD)を提案する。 本手法は, 1段, 2段, アンカーフリーの物体検出器において, 最先端のKDベースラインより優れる。
  論文  参考訳（メタデータ） (2022-09-20T16:36:28Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• 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)

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。