論文の概要: Advancements in Crop Analysis through Deep Learning and Explainable AI

• arxiv url: http://arxiv.org/abs/2508.19307v1
• Date: Tue, 26 Aug 2025 07:37:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.36688
• Title: Advancements in Crop Analysis through Deep Learning and Explainable AI
• Title（参考訳）: ディープラーニングと説明可能なAIによる作物分析の進歩
• Authors: Hamza Khan,
• Abstract要約: 本研究では,CNN(Convolutional Neural Networks)を用いたイネ5品種の自動分類手法を提案する。 このフレームワークは、説明可能な人工知能(XAI)とCNN、VGG16、ResNet50、MobileNetV2といったディープラーニングモデルを組み合わせたものだ。
• 参考スコア（独自算出の注目度）: 1.3198689566654107
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Rice is a staple food of global importance in terms of trade, nutrition, and economic growth. Among Asian nations such as China, India, Pakistan, Thailand, Vietnam and Indonesia are leading producers of both long and short grain varieties, including basmati, jasmine, arborio, ipsala, and kainat saila. To ensure consumer satisfaction and strengthen national reputations, monitoring rice crops and grain quality is essential. Manual inspection, however, is labour intensive, time consuming and error prone, highlighting the need for automated solutions for quality control and yield improvement. This study proposes an automated approach to classify five rice grain varieties using Convolutional Neural Networks (CNN). A publicly available dataset of 75000 images was used for training and testing. Model evaluation employed accuracy, recall, precision, F1-score, ROC curves, and confusion matrices. Results demonstrated high classification accuracy with minimal misclassifications, confirming the model effectiveness in distinguishing rice varieties. In addition, an accurate diagnostic method for rice leaf diseases such as Brown Spot, Blast, Bacterial Blight, and Tungro was developed. The framework combined explainable artificial intelligence (XAI) with deep learning models including CNN, VGG16, ResNet50, and MobileNetV2. Explainability techniques such as SHAP (SHapley Additive exPlanations) and LIME (Local Interpretable Model-agnostic Explanations) revealed how specific grain and leaf features influenced predictions, enhancing model transparency and reliability. The findings demonstrate the strong potential of deep learning in agricultural applications, paving the way for robust, interpretable systems that can support automated crop quality inspection and disease diagnosis, ultimately benefiting farmers, consumers, and the agricultural economy.
• Abstract（参考訳）: 米は、貿易、栄養、経済成長の点において、世界的重要性を持つ重要な食品である。 中国、インド、パキスタン、タイ、ベトナム、インドネシアといったアジアの国々では、バスマティ、ジャスミン、アルボリオ、イプサラ、カイナト・セーラなど、長くて短い穀物の品種を生産している。 消費者の満足度を確保し、国民の評判を高めるためには、稲作の監視と穀物の質が不可欠である。 しかし、手作業による検査は労働集約的で、時間がかかり、エラーが発生しやすいため、品質管理と収量改善のための自動化されたソリューションの必要性が浮き彫りになっている。 本研究では,CNN (Convolutional Neural Networks) を用いたイネ5品種の自動分類手法を提案する。 トレーニングとテストには,75,000イメージの公開データセットが使用されている。 モデル評価には精度、リコール、精度、F1スコア、ROC曲線、混乱行列が採用された。 その結果, 品種識別におけるモデルの有効性を検証し, 誤分類の最小化による高い分類精度を示した。 また, ブラウンスポット, ブラスト, 細菌性光, タングロなどのイネ葉病の正確な診断法を開発した。 このフレームワークは、説明可能な人工知能(XAI)とCNN、VGG16、ResNet50、MobileNetV2といったディープラーニングモデルを組み合わせたものだ。 SHAP (SHapley Additive exPlanations) や LIME (Local Interpretable Model-Agnostic Explanations) のような説明可能性技術は、特定の粒や葉の特徴が予測にどう影響するかを明らかにし、モデルの透明性と信頼性を高めた。 この結果は、農業アプリケーションにおけるディープラーニングの強い可能性を示し、自動作物品質検査と疾患診断をサポートし、最終的には農家、消費者、農業経済に恩恵をもたらす、堅牢で解釈可能なシステムの構築を図っている。

関連論文リスト

• AI in Agriculture: A Survey of Deep Learning Techniques for Crops, Fisheries and Livestock [77.95897723270453]
  作物、漁業、家畜が世界の食料生産のバックボーンを形成し、成長を続ける世界の人口を養うのに不可欠である。 これらの問題に対処するには、効率的で正確でスケーラブルな技術ソリューションが必要であり、人工知能(AI)の重要性を強調している。 本調査では,従来の機械学習アプローチ,高度なディープラーニング技術,最新のビジョン言語基礎モデルなど,200以上の研究成果を体系的かつ徹底的にレビューする。
  論文  参考訳（メタデータ） (2025-07-29T17:59:48Z)
• Exploring Convolutional Neural Networks for Rice Grain Classification: An Explainable AI Approach [1.0208529247755187]
  本研究では,異なる品種の米粒を分類するための畳み込みニューラルネットワーク(CNN)に基づく自動フレームワークを提案する。 提案手法は,精度,リコール,精度,F1スコアなどの性能指標に基づいて評価する。
  論文  参考訳（メタデータ） (2025-05-07T10:33:45Z)
• An Overall Real-Time Mechanism for Classification and Quality Evaluation of Rice [0.43431539537721414]
  本研究は, 包括的米粒評価のためのリアルタイム評価機構を提案する。 1段階のオブジェクト検出アプローチ、深層畳み込みニューラルネットワーク、従来の機械学習技術を統合する。 提案手法により,イネ品種の同定,粒度評価,粒度評価が可能となった。
  論文  参考訳（メタデータ） (2025-02-19T14:24:25Z)
• 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)
• Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities [86.89427012495457]
  我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。 本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。 我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
  論文  参考訳（メタデータ） (2023-05-03T05:16:54Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)

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。