論文の概要: LeafLife: An Explainable Deep Learning Framework with Robustness for Grape Leaf Disease Recognition

• arxiv url: http://arxiv.org/abs/2601.03124v1
• Date: Tue, 06 Jan 2026 15:55:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:13.004186
• Title: LeafLife: An Explainable Deep Learning Framework with Robustness for Grape Leaf Disease Recognition
• Title（参考訳）: LeafLife:Grape Leaf疾患認識のためのロバストネスを備えた説明可能なディープラーニングフレームワーク
• Authors: B. M. Shahria Alam, Md. Nasim Ahmed,
• Abstract要約: 植物病データセットは、4種類のブドウ葉病9,032枚を含むもので、うち3種は葉病で、もう1種は健康な葉である。 Xceptionは96.23%の精度で、InceptionV3よりも顕著である。 最終的にStreamlitを使用したWebアプリケーションをデプロイし、ヒートマップの可視化と信頼性レベルの予測を行い、堅牢なブドウの葉病の分類を可能にした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Plant disease diagnosis is essential to farmers' management choices because plant diseases frequently lower crop yield and product quality. For harvests to flourish and agricultural productivity to boost, grape leaf disease detection is important. The plant disease dataset contains grape leaf diseases total of 9,032 images of four classes, among them three classes are leaf diseases, and the other one is healthy leaves. After rigorous pre-processing dataset was split (70% training, 20% validation, 10% testing), and two pre-trained models were deployed: InceptionV3 and Xception. Xception shows a promising result of 96.23% accuracy, which is remarkable than InceptionV3. Adversarial Training is used for robustness, along with more transparency. Grad-CAM is integrated to confirm the leaf disease. Finally deployed a web application using Streamlit with a heatmap visualization and prediction with confidence level for robust grape leaf disease classification.
• Abstract（参考訳）: 植物病は作物の収量と品質をしばしば低下させるため、農家の経営選択には植物病の診断が不可欠である。 収穫が盛んになり、農業生産性が増すためには、ブドウ葉病の検出が重要である。 植物病データセットは、4種類のブドウ葉病9,032枚を含むもので、うち3種は葉病で、もう1種は健康な葉である。 厳格な事前処理データセットが分割された後(70%のトレーニング、20%の検証、10%のテスト)、事前トレーニングされた2つのモデル、InceptionV3とXceptionがデプロイされた。 Xceptionは96.23%の精度で、InceptionV3よりも顕著である。 敵の訓練は、より透明性を増すとともに、堅牢性のために使用される。 Grad-CAMは葉の病気を確認するために統合されている。 最終的にStreamlitを使用したWebアプリケーションをデプロイし、ヒートマップの可視化と信頼性レベルの予測を行い、堅牢なブドウの葉病の分類を可能にした。

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)
• 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)
• 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)
• A Dataset and Benchmark for Shape Completion of Fruits for Agricultural Robotics [30.46518628656399]
  本稿では,農業用視覚システムのための3次元形状補完データセットを提案する。 果実の3次元形状を推定するためのRGB-Dデータセットを提供する。
  論文  参考訳（メタデータ） (2024-07-18T09:07:23Z)
• 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)
• A Comprehensive Literature Review on Sweet Orange Leaf Diseases [3.0177210416625115]
  葉の病気はキツネ産業の果実の品質に影響を及ぼす。 葉の早期発見と診断は葉の管理に必要である。 葉病に関する総合的なレビュー研究は, モデルの性能を比較した。
  論文  参考訳（メタデータ） (2023-12-04T09:35:21Z)
• Panoptic Mapping with Fruit Completion and Pose Estimation for Horticultural Robots [33.21287030243106]
  植物や果実を高解像度でモニタリングすることは、農業の未来において重要な役割を担っている。 正確な3D情報は、自律収穫から正確な収量推定まで、農業における多様なロボット応用への道を開くことができる。 移動ロボットによって構築された3次元多次元マップにおいて,果実の完全な3次元形状とそのポーズを共同で推定する問題に対処する。
  論文  参考訳（メタデータ） (2023-03-15T20:41:24Z)
• 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)
• Real-time Plant Health Assessment Via Implementing Cloud-based Scalable Transfer Learning On AWS DeepLens [0.8714677279673736]
  植物葉病の検出・分類のための機械学習手法を提案する。 私たちは、AWS SageMaker上でスケーラブルな転送学習を使用して、リアルタイムの実用的なユーザビリティのために、AWS DeepLensにインポートしています。 果実や野菜の健康・不健康な葉の広範な画像データセットに関する実験では,植物葉病のリアルタイム診断で98.78%の精度を示した。
  論文  参考訳（メタデータ） (2020-09-09T05:23:34Z)

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。