論文の概要: Fine-Tuned CNN-Based Approach for Multi-Class Mango Leaf Disease Detection

• arxiv url: http://arxiv.org/abs/2510.05326v1
• Date: Mon, 06 Oct 2025 19:47:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:07.961621
• Title: Fine-Tuned CNN-Based Approach for Multi-Class Mango Leaf Disease Detection
• Title（参考訳）: マルチクラスマンゴーリーフ病検出のための微調整CNNによるアプローチ
• Authors: Jalal Ahmmed, Faruk Ahmed, Rashedul Hasan Shohan, Md. Mahabub Rana, Mahdi Hasan,
• Abstract要約: 本研究は,マンゴー葉病のマルチクラス同定のための,事前学習した5つの畳み込みニューラルネットワーク,DenseNet201,InceptionV3,ResNet152V2,SeResNet152,Xceptionの性能について検討した。 DenseNet201は最高の結果を出し、99.33%の精度を達成し、個々のクラスに対して一貫して強力なメトリクスを出力した。
• 参考スコア（独自算出の注目度）: 1.057098647974782
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mango is an important fruit crop in South Asia, but its cultivation is frequently hampered by leaf diseases that greatly impact yield and quality. This research examines the performance of five pre-trained convolutional neural networks, DenseNet201, InceptionV3, ResNet152V2, SeResNet152, and Xception, for multi-class identification of mango leaf diseases across eight classes using a transfer learning strategy with fine-tuning. The models were assessed through standard evaluation metrics, such as accuracy, precision, recall, F1-score, and confusion matrices. Among the architectures tested, DenseNet201 delivered the best results, achieving 99.33% accuracy with consistently strong metrics for individual classes, particularly excelling in identifying Cutting Weevil and Bacterial Canker. Moreover, ResNet152V2 and SeResNet152 provided strong outcomes, whereas InceptionV3 and Xception exhibited lower performance in visually similar categories like Sooty Mould and Powdery Mildew. The training and validation plots demonstrated stable convergence for the highest-performing models. The capability of fine-tuned transfer learning models, for precise and dependable multi-class mango leaf disease detection in intelligent agricultural applications.
• Abstract（参考訳）: マンゴーは南アジアでは重要な果実作物であるが、その栽培は収量や品質に大きな影響を及ぼす葉の病気によってしばしば妨げられている。 本研究では,8つのクラスにまたがるマンゴー葉病のマルチクラス同定のために,DenseNet201,InceptionV3,ResNet152V2,SeResNet152,Xceptionの5つの事前学習畳み込みニューラルネットワークの性能について検討した。 モデルは、精度、精度、リコール、F1スコア、混乱行列などの標準的な評価指標によって評価された。 テストされたアーキテクチャの中で、DenseNet201は99.33%の精度を達成し、特にカッティングウィービルとバクテリアキャンカーの識別に優れていた。 さらに、ResNet152V2 と SeResNet152 は強力な結果をもたらし、InceptionV3 と Xception はSooty Moluld や Powdery Mildew のような視覚的に類似したカテゴリで低い性能を示した。 トレーニングと検証プロットは、最高の性能のモデルに対して安定した収束を示した。 知的農業分野における精密かつ信頼性の高いマンゴー葉病検出のための微調整伝達学習モデルの能力

関連論文リスト

• CBAM Integrated Attention Driven Model For Betel Leaf Diseases Classification With Explainable AI [0.48342038441006796]
  本稿では,わずか213万パラメータ(8.13MB)の軽量CBAM-CNNモデルを提案する。 葉病クラス間の微小変動を識別するモデルの能力は、統合的注意機構によって改善される。 提案されたモデルは97%の精度、94%のリコール、95%のF1スコア、95.58%の精度を達成した。
  論文  参考訳（メタデータ） (2025-09-30T16:30:09Z)
• Transfer Learning-Based CNN Models for Plant Species Identification Using Leaf Venation Patterns [0.0]
  本研究では,3つのディープラーニングアーキテクチャ(ResNet50,MobileNetV2,EfficientNetB0)の有効性を評価する。
  論文  参考訳（メタデータ） (2025-09-03T21:23:09Z)
• Detection and Classification of Diseases in Multi-Crop Leaves using LSTM and CNN Models [0.0]
  植物病は作物の収穫量を減らし、食糧品質に影響を与えることで農業に深刻な課題をもたらす。 本研究では,植物葉病の分類に畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)モデルを適用した。
  論文  参考訳（メタデータ） (2025-04-30T02:36:51Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• SugarcaneNet: An Optimized Ensemble of LASSO-Regularized Pre-trained Models for Accurate Disease Classification [0.46180371154032906]
  サトウキビNet2024は、サトウキビ病を自動的にかつ迅速に検出する従来の方法よりも優れたユニークなモデルである。 提案モデルは、7つのカスタマイズおよびLASSO正規化事前学習モデルの最適化された平均アンサンブルを集約する。 この最適化されたサトウキビNet2024モデルは、精度、精度、リコール、F1スコアの99.67%、100%、100%、100%を達成し、サトウキビ病の診断に最適であった。
  論文  参考訳（メタデータ） (2024-03-26T11:23:08Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。