論文の概要: Automated Plant Disease and Pest Detection System Using Hybrid Lightweight CNN-MobileViT Models for Diagnosis of Indigenous Crops

• arxiv url: http://arxiv.org/abs/2512.11871v1
• Date: Sat, 06 Dec 2025 06:24:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:55.979577
• Title: Automated Plant Disease and Pest Detection System Using Hybrid Lightweight CNN-MobileViT Models for Diagnosis of Indigenous Crops
• Title（参考訳）: ハイブリッド軽量CNN-MobileViTモデルを用いた植物病・害虫自動検出システム
• Abstract要約: 農業はエチオピアのティグレイ地域の人口の80%以上を支えている。 インフラ破壊は 専門の作物病診断へのアクセスを制限する 本稿では,新たにキュレートされたサボテンフィグデータセットを中心に,オフラインファースト検出システムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agriculture supports over 80% of the population in the Tigray region of Ethiopia, where infrastructural disruptions limit access to expert crop disease diagnosis. We present an offline-first detection system centered on a newly curated indigenous cactus-fig (Opuntia ficus-indica) dataset consisting of 3,587 field images across three core symptom classes. Given deployment constraints in post-conflict edge environments, we benchmark three mobile-efficient architectures: a custom lightweight CNN, EfficientNet-Lite1, and the CNN-Transformer hybrid MobileViT-XS. While the broader system contains independent modules for potato, apple, and corn, this study isolates cactus-fig model performance to evaluate attention sensitivity and inductive bias transfer on indigenous morphology alone. Results establish a clear Pareto trade-off: EfficientNet-Lite1 achieves 90.7% test accuracy, the lightweight CNN reaches 89.5% with the most favorable deployment profile (42 ms inference latency, 4.8 MB model size), and MobileViT-XS delivers 97.3% mean cross-validation accuracy, demonstrating that MHSA-based global reasoning disambiguates pest clusters from two dimensional fungal lesions more reliably than local texture CNN kernels. The ARM compatible models are deployed in a Tigrigna and Amharic localized Flutter application supporting fully offline inference on Cortex-A53 class devices, strengthening inclusivity for food security critical diagnostics.
• Abstract（参考訳）: 農業はエチオピアのティグレイ地域の人口の80%以上を支えており、インフラ破壊によって農作物病の診断へのアクセスが制限されている。 本報告では,3つのコア症状クラスにまたがる3,587のフィールド画像からなる,新たにキュレートされたサボテン・フィグ(Opuntia ficus-indica)データセットを中心に,オフラインファースト検出システムを提案する。 競合後のエッジ環境におけるデプロイメントの制約を考慮し、カスタム軽量CNN、EfficientNet-Lite1、CNN-TransformerハイブリッドMobileViT-XSの3つのモバイル効率アーキテクチャをベンチマークする。 広義のシステムはジャガイモ,リンゴ,トウモロコシの独立したモジュールを含むが,本研究ではサボテン・フィグモデルの性能を分離し,固有形態のみに対する注意感度と誘導バイアス伝達を評価する。 EfficientNet-Lite1は90.7%のテスト精度、軽量CNNは89.5%に達し、最も好ましいデプロイメントプロファイル(42msの推論遅延、4.8MBモデルサイズ)、MobileViT-XSは97.3%の平均クロスバリデーション精度を提供する。 ARM互換モデルは、Cortex-A53クラスのデバイスで完全にオフライン推論をサポートするTigrignaとAmharicのローカライズされたFlutterアプリケーションにデプロイされる。

関連論文リスト

• AgroVisNet: A lightweight Convolutional Network and the BD-PlantDX Expert-Validated Benchmark for Radish, Potato and Pointed Gourd Disease Classification [0.3686530147760243]
  我々は,BD-PlantDXとともに,スクラッチから学習したコンパクトな畳み込みネットワークであるAgroVisNetを提案する。 BD-PlantDXでは、テスト精度は99.52%、重み付きF1は99.52%に達し、6つのImageNet推奨の軽量バックボーンを超える。 デプロイ用にエクスポートされたこのモデルは、0.46MBのフル整数ネットワークに0.22ポイントの精度で量子化し、1CPUで8.40msの画像を分類する。
  論文  参考訳（メタデータ） (2026-09-09T17:12:17Z)
• TinyBayes: Closed-Form Bayesian Inference via Jacobi Prior for Real-Time Image Classification on Edge Devices [0.0]
  TinyBayesは、クローズドフォームのベイズ分類器と、作物病検出のためのモバイルグレードのコンピュータビジョンパイプラインを組み合わせるためのフレームワークである。 Jacobi-DMRはパイプラインに13.5KBしか追加せず、総モデルサイズは9.5MBである。 我々はRandom Forest, SVM, Ridge, Lasso, Elastic Net, XG, Jacobi-GPの7つの分類器をベンチマークした。
  論文  参考訳（メタデータ） (2026-05-07T14:26:10Z)
• Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
  ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。 本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T10:20:05Z)
• A Compact and Efficient 1.251 Million Parameter Machine Learning CNN Model PD36-C for Plant Disease Detection: A Case Study [0.0]
  深層学習は画像に基づく植物病の診断を著しく進歩させてきた。 本稿では,植物病の分類のための小型畳み込みニューラルネットワークPD36Cを提案する。 PD36 Cは堅牢性とエッジのデプロイ性のために設計されている。
  論文  参考訳（メタデータ） (2026-04-13T11:33:24Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• AgriPath: A Systematic Exploration of Architectural Trade-offs for Crop Disease Classification [45.52399819498234]
  本研究は、細粒度作物病分類のための3つのモデルパラダイムの体系的比較を示す。 我々は16の作物と41の病気にまたがる111kの画像を含むベンチマークであるAgriPath-LF16を紹介する。 CNNは画像の精度が最も高いが、ドメインシフトによって劣化する。 対照的なVLMは、競合するクロスドメイン性能を持つ堅牢でパラメータ効率の良い代替手段を提供する。
  論文  参考訳（メタデータ） (2026-03-08T17:28:01Z)
• Dynamic Meta-Ensemble Framework for Efficient and Accurate Deep Learning in Plant Leaf Disease Detection on Resource-Constrained Edge Devices [0.0]
  資源制約下での高精度植物病診断のための新しい動的メタエンブルフレームワーク(DMEF)を提案する。 DMEFは適応重み付け機構を採用し、3つの軽量畳み込みニューラルネットワークの予測を動的に組み合わせている。 ジャガイモとトウモロコシ病のベンチマークデータセットの実験では、それぞれ99.53%と96.61%の最先端の分類精度が示されている。
  論文  参考訳（メタデータ） (2026-01-24T03:57:49Z)
• A Domain-Adapted Lightweight Ensemble for Resource-Efficient Few-Shot Plant Disease Classification [0.0]
  ドメイン適応型MobileNetV2モデルとMobileNetV3モデルを組み合わせた数ショットの学習手法を提案する。 分類タスクには、注意機構を付加したBi-LSTM分類器を通す。 1発から15発のパフォーマンスを継続的に改善し、15発で98.23+-0.33%に達した。 また、以前のSOTAの精度も96.4%向上し、15ショットの学習で99.72%を記録した。
  論文  参考訳（メタデータ） (2025-12-15T15:17:29Z)
• Mobile-Friendly Deep Learning for Plant Disease Detection: A Lightweight CNN Benchmark Across 101 Classes of 33 Crops [39.58317527488534]
  植物病は世界の食料安全保障にとって大きな脅威である。 我々は、33の作物で101の植物病を正確に分類できるモバイルフレンドリーなソリューションを開発した。
  論文  参考訳（メタデータ） (2025-08-14T16:43:27Z)
• EAGLE: An Efficient Global Attention Lesion Segmentation Model for Hepatic Echinococcosis [31.698319244945793]
  本稿では,プログレッシブ・ビジュアル・ステート・スペース(PVSS)エンコーダとハイブリッド・ビジュアル・ステート・スペース(HVSS)デコーダからなるU字型ネットワークを提案する。 Dice similarity Coefficient (DSC) は89.76%で、MSVM-UNetを1.61%上回っている。
  論文  参考訳（メタデータ） (2025-06-25T11:42:05Z)
• HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
  ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。 WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。 本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
  論文  参考訳（メタデータ） (2025-06-23T17:22:19Z)
• 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)
• Hybrid Knowledge Transfer through Attention and Logit Distillation for On-Device Vision Systems in Agricultural IoT [0.0]
  この研究は、精密農業におけるリアルタイムでエネルギー効率の高い作物モニタリングを推進している。 これは、エッジデバイス上でViTレベルの診断精度を実現する方法を示している。
  論文  参考訳（メタデータ） (2025-04-21T06:56:41Z)
• Design and Implementation of FourCropNet: A CNN-Based System for Efficient Multi-Crop Disease Detection and Management [3.4161054453684705]
  本研究では,複数の作物の病原体を検出するための新しいディープラーニングモデルであるFourCropNetを提案する。 FourCropNetは、Grapeの99.7%、Cornの99.5%、組み合わせたデータセットの95.3%の最高精度を達成した。
  論文  参考訳（メタデータ） (2025-03-11T12:00:56Z)
• Soybean Disease Detection via Interpretable Hybrid CNN-GNN: Integrating MobileNetV2 and GraphSAGE with Cross-Modal Attention [1.927711700724334]
  大豆の葉の病原体の検出は農業の生産性にとって重要であるが、視覚的に類似した症状と限定的な解釈可能性のために課題に直面している。 本稿では,局所化特徴抽出のためのMobileNetV2とリレーショナルモデリングのためのGraphSAGEを相乗化する,解釈可能なハイブリッドCNN-Graph Neural Network(GNN)フレームワークを提案する。 クロスモーダル解釈はGrad-CAMおよびEigen-CAMビジュアライゼーションを通じて実現され、熱マップを生成して疾患の流入領域をハイライトする。
  論文  参考訳（メタデータ） (2025-03-03T08:12:09Z)
• Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object Detection [40.97322222472642]
  本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。 糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。 我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
  論文  参考訳（メタデータ） (2023-06-26T16:48:20Z)
• CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
  深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
  論文  参考訳（メタデータ） (2022-10-11T13:30:34Z)
• Improving COVID-19 CT Classification of CNNs by Learning Parameter-Efficient Representation [31.51725965329019]
  深層学習法は, コンピュータ断層撮影による新型コロナウイルスの自動診断を支援するために提案されている。 DenseNet121は、正常、非COVID-19肺炎、COVID-19肺炎を含む3つのカテゴリーの分類で、平均99.44%の検査精度を達成している。
  論文  参考訳（メタデータ） (2022-08-09T12:24:53Z)
• A Multi-Stage model based on YOLOv3 for defect detection in PV panels based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
  本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。 このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。 提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
  論文  参考訳（メタデータ） (2021-11-23T08:04:32Z)

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。