論文の概要: Enhancing Tea Leaf Disease Recognition with Attention Mechanisms and Grad-CAM Visualization

• arxiv url: http://arxiv.org/abs/2512.17987v1
• Date: Fri, 19 Dec 2025 16:11:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.141539
• Title: Enhancing Tea Leaf Disease Recognition with Attention Mechanisms and Grad-CAM Visualization
• Title（参考訳）: 注意機構とGrad-CAM可視化による茶葉疾患認識の強化
• Authors: Omar Faruq Shikdar, Fahad Ahammed, B. M. Shahria Alam, Golam Kibria, Tawhidur Rahman, Nishat Tasnim Niloy,
• Abstract要約: 茶葉病は農家にとって大きな経済的損失をもたらす可能性がある。 本研究の目的は,さまざまな茶葉疾患を分類できる自動システムを作ることである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tea is among the most widely consumed drinks globally. Tea production is a key industry for many countries. One of the main challenges in tea harvesting is tea leaf diseases. If the spread of tea leaf diseases is not stopped in time, it can lead to massive economic losses for farmers. Therefore, it is crucial to identify tea leaf diseases as soon as possible. Manually identifying tea leaf disease is an ineffective and time-consuming method, without any guarantee of success. Automating this process will improve both the efficiency and the success rate of identifying tea leaf diseases. The purpose of this study is to create an automated system that can classify different kinds of tea leaf diseases, allowing farmers to take action to minimize the damage. A novel dataset was developed specifically for this study. The dataset contains 5278 images across seven classes. The dataset was pre-processed prior to training the model. We deployed three pretrained models: DenseNet, Inception, and EfficientNet. EfficientNet was used only in the ensemble model. We utilized two different attention modules to improve model performance. The ensemble model achieved the highest accuracy of 85.68%. Explainable AI was introduced for better model interpretability.
• Abstract（参考訳）: 茶は世界中で最も広く飲まれている飲み物の一つである。 茶の生産は多くの国で重要な産業である。 茶の収穫における主な課題の1つは茶葉病である。 茶葉病の流行が間に合わなければ、農家にとって大きな経済的損失をもたらす可能性がある。 そのため、茶葉病をできるだけ早く特定することが重要である。 手動で茶葉病を識別することは、成功の保証なく、非効率で時間を要する方法である。 このプロセスの自動化は、茶葉病の特定の効率性と成功率の両方を改善する。 本研究の目的は、さまざまな茶葉病を分類し、農家が被害を最小限に抑えるための自動システムを構築することである。 本研究のために新しいデータセットを開発した。 データセットには、7つのクラスにわたる5278の画像が含まれている。 データセットはモデルをトレーニングする前に前処理される。 DenseNet、Inception、EfficientNetの3つの事前トレーニングモデルを展開しました。 EfficientNetはアンサンブルモデルでのみ使用された。 我々は2つの異なるアテンションモジュールを使用してモデル性能を改善した。 アンサンブルモデルは85.68%の精度を達成した。 モデル解釈性を改善するために説明可能なAIが導入された。

関連論文リスト

• An Approach Towards Identifying Bangladeshi Leaf Diseases through Transfer Learning and XAI [0.0]
  本研究の目的は,深層学習モデルを用いて6植物に21の異なる葉病を分類することである。 VGG19とXceptionは、それぞれ98.90%と98.66%という高い精度を達成している。
  論文  参考訳（メタデータ） (2025-05-21T21:25:57Z)
• Plant Leaf Disease Detection and Classification Using Deep Learning: A Review and A Proposed System on Bangladesh's Perspective [0.0]
  植物病はバングラデシュの農業生産において深刻な障害となっている。 本稿では主に葉の病原体検出のためのより良いモデルを提案する。 提案したCNNモデルは効率よく動作し,検査対象の疾患の検出と分類に成功している。
  論文  参考訳（メタデータ） (2025-01-06T17:43:59Z)
• A Novel Feature Extraction Model for the Detection of Plant Disease from Leaf Images in Low Computational Devices [2.1990652930491854]
  提案手法は,葉のイメージから頑健で識別可能な特徴を抽出するために,様々なタイプのディープラーニング技術を統合する。 このデータセットには、10種類のトマト病と1種類の健康な葉から1万枚の葉の写真が含まれています。 AlexNetの精度スコアは87%で、高速で軽量であり、組み込みシステムでの使用に適している。
  論文  参考訳（メタデータ） (2024-10-01T19:32:45Z)
• Leafy Spurge Dataset: Real-world Weed Classification Within Aerial Drone Imagery [37.51633459581306]
  侵入する植物種は、農業と農地の両方の生態に有害である。 ユープホルビア・エスラ(Euphorbia esula)のような外来植物は、東ヨーロッパから北アメリカの大部分に分布している。 米国モンタナ州西部の草原で、葉質のふわふわしたスプージの存在と不在のデータセットを収集し、商用ドローンでこれらの地域を調査した。 我々はこれらのデータに基づいて画像分類器を訓練し、我々の最高の性能モデルであるDINOv2視覚変換器は、葉の隆起を0.84精度で同定した。
  論文  参考訳（メタデータ） (2024-05-02T23:53:29Z)
• Evaluating Data Augmentation Techniques for Coffee Leaf Disease Classification [2.0892083471064407]
  本稿では,RoCoLeデータセットを用いて,深層学習による画像からのコーヒー葉病の分類を行う。 本研究は, トランスフォーマーモデル, オンライン強化, およびCycleGAN増強が葉病分類の改善に有効であることを示す。
  論文  参考訳（メタデータ） (2024-01-11T09:22:36Z)
• Network Augmentation for Tiny Deep Learning [73.57192520534585]
  ニューラルネットワークの性能向上のための新しいトレーニング手法であるNetAug(Net Aug)を紹介する。 画像分類と物体検出におけるNetAugの有効性を示す。
  論文  参考訳（メタデータ） (2021-10-17T18:48:41Z)
• Knowledge distillation: A good teacher is patient and consistent [71.14922743774864]
  最先端のパフォーマンスを実現する大規模モデルと、実用的な用途で手頃な価格のモデルとの間には、コンピュータビジョンの相違が増えている。 蒸留の有効性に大きな影響を及ぼす可能性のある,特定の暗黙的な設計選択を同定する。 ImageNetの最先端ResNet-50モデルが82.8%の精度で実現されている。
  論文  参考訳（メタデータ） (2021-06-09T17:20:40Z)
• Beyond Self-Supervision: A Simple Yet Effective Network Distillation Alternative to Improve Backbones [40.33419553042038]
  既製のトレーニング済み大型モデルからナレッジ蒸留による既存ベースラインネットワークの改善を提案します。 本ソリューションは,教師モデルと整合した学生モデルの予測のみを駆動することにより,蒸留を行う。 例えば、MobileNetV3-large と ResNet50-D の ImageNet-1k 検証セットにおけるトップ-1 の精度は、大幅に向上できる。
  論文  参考訳（メタデータ） (2021-03-10T09:32:44Z)
• One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
  三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。 2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
  論文  参考訳（メタデータ） (2020-12-14T10:44:22Z)

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。