論文の概要: PlantDiseaseNet-RT50: A Fine-tuned ResNet50 Architecture for High-Accuracy Plant Disease Detection Beyond Standard CNNs

• arxiv url: http://arxiv.org/abs/2512.18500v1
• Date: Sat, 20 Dec 2025 20:36:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.368379
• Title: PlantDiseaseNet-RT50: A Fine-tuned ResNet50 Architecture for High-Accuracy Plant Disease Detection Beyond Standard CNNs
• Title（参考訳）: PlantDiseaseNet-RT50:標準CNNを超える高精度植物病検出のための微調整されたResNet50アーキテクチャ
• Authors: Santwana Sagnika, Manav Malhotra, Ishtaj Kaur Deol, Soumyajit Roy, Swarnav Kumar,
• Abstract要約: 植物病は農業の生産性と世界の食料安全保障に重大な脅威となり、世界中の作物の70-80%が失われている。 伝統的な検出法は、専門的な視覚検査に大きく依存しており、それは時間を要する、労働集約的であり、大規模な農業活動には実用的ではない。 本稿では,ResNet50をベースとした植物病自動検出システムであるPlantDiseaseNet-RT50を提案する。 本モデルでは, 戦略的未凍結層, 正規化機構付きカスタム分類ヘッド, コサイン崩壊による動的学習率スケジューリングを特徴とする。
• 参考スコア（独自算出の注目度）: 0.10874100424278171
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Plant diseases pose a significant threat to agricultural productivity and global food security, accounting for 70-80% of crop losses worldwide. Traditional detection methods rely heavily on expert visual inspection, which is time-consuming, labour-intensive, and often impractical for large-scale farming operations. In this paper, we present PlantDiseaseNet-RT50, a novel fine-tuned deep learning architecture based on ResNet50 for automated plant disease detection. Our model features strategically unfrozen layers, a custom classification head with regularization mechanisms, and dynamic learning rate scheduling through cosine decay. Using a comprehensive dataset of distinct plant disease categories across multiple crop species, PlantDiseaseNet-RT50 achieves exceptional performance with approximately 98% accuracy, precision, and recall. Our architectural modifications and optimization protocol demonstrate how targeted fine-tuning can transform a standard pretrained model into a specialized agricultural diagnostic tool. We provide a detailed account of our methodology, including the systematic unfreezing of terminal layers, implementation of batch normalization and dropout regularization and application of advanced training techniques. PlantDiseaseNet-RT50 represents a significant advancement in AI-driven agricultural tools, offering a computationally efficient solution for rapid and accurate plant disease diagnosis that can be readily implemented in practical farming contexts to support timely interventions and reduce crop losses.
• Abstract（参考訳）: 植物病は農業の生産性と世界の食料安全保障に重大な脅威となり、世界中の作物の70-80%が失われている。 伝統的な検出法は、専門的な視覚検査に大きく依存しており、それは時間を要する、労働集約的であり、大規模な農業活動には実用的ではない。 本稿では,ResNet50をベースとした植物病自動検出のための微調整深層学習アーキテクチャであるPlantDiseaseNet-RT50を提案する。 本モデルでは, 戦略的未凍結層, 正規化機構付きカスタム分類ヘッド, コサイン崩壊による動的学習率スケジューリングを特徴とする。 PlantDiseaseNet-RT50は、複数の作物種にまたがる異なる植物病カテゴリの包括的なデータセットを使用して、約98%の精度、精度、リコールで例外的なパフォーマンスを達成する。 我々のアーキテクチャ変更と最適化プロトコルは、目標とする微調整が、標準的な事前訓練モデルから専門的な農業診断ツールにどのように変換できるかを示すものである。 本稿では,端末層の系統的凍結,バッチ正規化の実装,ドロップアウト正規化,高度なトレーニング手法の適用など,我々の方法論の詳細な説明を行う。 PlantDiseaseNet-RT50は、AI駆動型農業ツールの大幅な進歩を表しており、時間的介入をサポートし、作物の損失を減らすために、実践的な農業環境で容易に実装可能な、迅速かつ正確な植物病診断のための計算効率の良いソリューションを提供する。

関連論文リスト

• Explainable AI for Diabetic Retinopathy Detection Using Deep Learning with Attention Mechanisms and Fuzzy Logic-Based Interpretability [0.0]
  本稿では,雑草検出のためのハイブリッドディープラーニングフレームワークのレシピを提案する。 クラスロバスト性をバランスさせ,モデルの一般化を図るため,GANに基づく拡張手法が導入された。 実験結果は、99.33%の精度、精度、リコール、マルチベンチマークデータセット上のF1スコアで優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-11-20T12:17:00Z)
• Hardware-Aware YOLO Compression for Low-Power Edge AI on STM32U5 for Weeds Detection in Digital Agriculture [0.0]
  本研究は、STM32U575ZIマイクロコントローラ上に展開されたYOLOv8nオブジェクト検出器に基づく雑草検出のための最適化された低消費電力エッジAIシステムを提案する。 雑草は世界中で作物の収穫を著しく減らし、持続可能な農業にとって大きな課題となっている。
  論文  参考訳（メタデータ） (2025-11-11T08:55:58Z)
• 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)
• Automated Multi-Class Crop Pathology Classification via Convolutional Neural Networks: A Deep Learning Approach for Real-Time Precision Agriculture [0.0]
  本研究では,コンボリューショナルニューラルネットワーク(CNN)を用いた画像分類システムを提案する。 このソリューションは、オープンソースでモバイル互換のプラットフォーム上にデプロイされ、リモートエリアの農家に対してリアルタイムの画像ベースの診断を可能にする。
  論文  参考訳（メタデータ） (2025-07-12T18:45:50Z)
• FundusGAN: A Hierarchical Feature-Aware Generative Framework for High-Fidelity Fundus Image Generation [35.46876389599076]
  FundusGANは、高忠実度ファンドス画像合成用に特別に設計された新しい階層的特徴認識生成フレームワークである。 我々は、FundusGANが複数のメトリクスにわたって最先端のメソッドを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-03-22T18:08:07Z)
• Component-aware Unsupervised Logical Anomaly Generation for Industrial Anomaly Detection [31.27483219228598]
  異常検出は、製品の品質を確保し、自動化プロセスの効率を向上させるために、工業生産において重要である。 最近の生成モデルは、しばしば偽陽性を増大させる非現実的な異常を発生させるか、訓練のために現実世界の異常サンプルを必要とする。 本稿では,論理的異常生成のギャップに対処するコンポーネント・アウェアで教師なしのフレームワークであるComGENを提案する。
  論文  参考訳（メタデータ） (2025-02-17T11:54:43Z)
• Automated Disease Diagnosis in Pumpkin Plants Using Advanced CNN Models [0.0]
  パンプキンは世界中で栽培される重要な作物であり、その生産力は特に発展途上国において食糧安全保障に不可欠である。 機械学習とディープラーニングの最近の進歩は、植物病検出の精度を自動化し改善するための有望なソリューションを提供する。 本稿では,カボチャ葉の病原体分類のための最先端の畳み込みニューラルネットワーク(CNN)モデルについて包括的解析を行った。
  論文  参考訳（メタデータ） (2024-09-29T14:31:23Z)
• PlantSeg: A Large-Scale In-the-wild Dataset for Plant Disease Segmentation [37.383095056084834]
  植物病データセットは一般的にセグメンテーションラベルを欠いている。 実験室の設定からの画像を含む典型的なデータセットとは異なり、PlanetSegは主に野生の植物病の画像で構成されている。 植物セグは11,400枚の画像と病気のセグメンテーションマスクと、植物の種類によって分類された8000枚の健康な植物画像が特徴である。
  論文  参考訳（メタデータ） (2024-09-06T06:11:28Z)
• Early Detection of Coffee Leaf Rust Through Convolutional Neural Networks Trained on Low-Resolution Images [27.195033353775006]
  コーヒー葉のさびは、真菌のHemileia vastatrixによって引き起こされた葉病であり、コーヒー生産にとって大きな脅威となる。 早期疾患検出を強化するためのディープラーニングモデルは、広範囲な処理能力と大量のデータを必要とする。 本稿では,高域通過フィルタを用いたトレーニング画像のコントラスト向上を目的とした前処理手法を提案する。
  論文  参考訳（メタデータ） (2024-07-20T03:24:25Z)
• Explainable vision transformer enabled convolutional neural network for plant disease identification: PlantXViT [11.623005206620498]
  植物病は世界の作物の損失の主な原因であり、世界経済に影響を及ぼす。 本研究では、植物病の同定のために、ビジョントランスフォーマーにより「PlantXViT」と呼ばれる畳み込みニューラルネットワークモデルが提案される。 提案したモデルは、わずか0.8万のトレーニング可能なパラメータを持つ軽量な構造であり、IoTベースのスマート農業サービスに適している。
  論文  参考訳（メタデータ） (2022-07-16T12:05:06Z)
• Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
  特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。 衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
  論文  参考訳（メタデータ） (2020-07-07T12:44:17Z)

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。