論文の概要: Machine Learning for Detection and Severity Estimation of Sweetpotato Weevil Damage in Field and Lab Conditions
- arxiv url: http://arxiv.org/abs/2602.06786v1
- Date: Fri, 06 Feb 2026 15:43:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-09 22:18:26.451794
- Title: Machine Learning for Detection and Severity Estimation of Sweetpotato Weevil Damage in Field and Lab Conditions
- Title（参考訳）: Sweetpotato Weevil damage in Field and Lab Conditions の検出と重症度推定のための機械学習
- Authors: Doreen M. Chelangat, Sudi Murindanyi, Bruce Mugizi, Paul Musana, Benard Yada, Milton A. Otema, Florence Osaru, Andrew Katumba, Joyce Nakatumba-Nabende,
- Abstract要約: 本研究は, コンピュータビジョンによる悪害の自動評価手法を提案する。
この分野では,根の損傷度を推定するために,分類モデルを訓練するためのデータを収集した。
実験室では,リアルタイム検出モデルであるYOLO12を用いた物体検出パイプラインを設計した。
- 参考スコア（独自算出の注目度）: 0.003533166026916942
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sweetpotato weevils (Cylas spp.) are considered among the most destructive pests impacting sweetpotato production, particularly in sub-Saharan Africa. Traditional methods for assessing weevil damage, predominantly relying on manual scoring, are labour-intensive, subjective, and often yield inconsistent results. These challenges significantly hinder breeding programs aimed at developing resilient sweetpotato varieties. This study introduces a computer vision-based approach for the automated evaluation of weevil damage in both field and laboratory contexts. In the field settings, we collected data to train classification models to predict root-damage severity levels, achieving a test accuracy of 71.43%. Additionally, we established a laboratory dataset and designed an object detection pipeline employing YOLO12, a leading real-time detection model. This methodology incorporated a two-stage laboratory pipeline that combined root segmentation with a tiling strategy to improve the detectability of small objects. The resulting model demonstrated a mean average precision of 77.7% in identifying minute weevil feeding holes. Our findings indicate that computer vision technologies can provide efficient, objective, and scalable assessment tools that align seamlessly with contemporary breeding workflows. These advancements represent a significant improvement in enhancing phenotyping efficiency within sweetpotato breeding programs and play a crucial role in mitigating the detrimental effects of weevils on food security.
- Abstract（参考訳）: Sweetpotato weevils (Cylas spp.)は、特にサハラ以南のアフリカにおいて、サツマイモの生産に影響を与える最も破壊的な害虫であると考えられている。
手動の得点に頼り、労働集約的であり、主観的であり、しばしば一貫性のない結果をもたらす。
これらの課題は、レジリエントなサツマイモ品種の開発を目的とした育種プログラムを著しく妨げた。
本研究は,フィールドおよび実験室における悪害の自動評価のためのコンピュータビジョンに基づくアプローチを提案する。
フィールド設定では,分類モデルを訓練し,根の損傷度を71.43%の精度で予測した。
さらに,実験室のデータセットを構築し,リアルタイム検出モデルであるYOLO12を用いた物体検出パイプラインを設計した。
この手法には2段階のパイプラインが組み込まれ、小さな物体の検出性を向上させるため、根のセグメンテーションとタイリング戦略が組み合わされた。
結果、平均精度は77.7%で、微小な雑草の餌穴が特定できた。
コンピュータビジョン技術は、現代の育種ワークフローとシームレスに連携する効率的で客観的でスケーラブルなアセスメントツールを提供することができることを示す。
これらの進歩は、サツマイモ育種プログラムにおける表現型化効率を向上し、ウィービルの食品安全に対する有害な影響を緩和する重要な役割を担っている。
関連論文リスト
- An efficient plant disease detection using transfer learning approach [0.0]
植物病は農業と農業に重大な課題をもたらす。
本研究では,移動学習手法を用いて植物病の同定とモニタリングを行うシステムを提案する。
このシステムは、Powdery Mildew、Angular Leaf Spot、Early blight、トマトモザイクウイルスなどの細菌、真菌、ウイルス病の存在を正確に検出することができる。
論文 参考訳（メタデータ） (2025-06-28T13:47:27Z) - Ustnlp16 at SemEval-2025 Task 9: Improving Model Performance through Imbalance Handling and Focal Loss [38.70308073598037]
分類タスクは、しばしば厳しいクラス不均衡、短いテキストと非構造化テキスト、および重なり合うセマンティックカテゴリに悩まされる。
本稿では,SemEval-2025 Task 9: Food Hazard Detectionを提案する。
論文 参考訳（メタデータ） (2025-04-24T16:35:44Z) - Raspberry PhenoSet: A Phenology-based Dataset for Automated Growth Detection and Yield Estimation [1.2661567777618703]
7つの発達段階にまたがるラズベリー果実の検出とセグメンテーションのための表現学ベースのデータセットであるRaspberry PhenoSetを紹介した。
このデータセットには1,853枚の高解像度画像が含まれており、これは文学の中で最高品質であり、垂直農場で制御された人工照明の下で撮影された。
YOLOv8, YOLOv10, RT-DETR, Mask R-CNNなど,最先端のディープラーニングモデルをベンチマークして, データセットのパフォーマンスを総合的に評価した。
論文 参考訳（メタデータ） (2024-11-01T18:34:26Z) - Small data deep learning methodology for in-field disease detection [6.2747249113031325]
本稿では,ポテト作物の遅発症状を軽度に検出できる最初の機械学習モデルを提案する。
提案手法は, 焦点損失関数を持つ深部畳み込みニューラルネットワークをベースとした, パッチ方式による高分解能画像の高精細化を実現する。
本モデルでは, 早期症状の同定に高い精度と有効性を示した。
論文 参考訳（メタデータ） (2024-09-25T17:31:17Z) - Unleashing the Power of Transfer Learning Model for Sophisticated Insect Detection: Revolutionizing Insect Classification [0.520707246175575]
この研究では、MobileNetV2、ResNet152V2、Xecption、Custom CNNといったさまざまなモデルを使用します。
ResNet152V2アーキテクチャに基づく畳み込みニューラルネットワーク(CNN)の構築と評価を行った。
この結果は、昆虫の分類と昆虫学研究における現実世界の応用の可能性を強調している。
論文 参考訳（メタデータ） (2024-06-11T20:52:42Z) - Diagnosing Human-object Interaction Detectors [42.283857276076596]
本稿では,HOI検出モデルの定量的なブレークダウン解析を行うための診断ツールボックスを提案する。
我々は8つの最先端HOI検出モデルを分析し、今後の研究を促進する貴重な診断洞察を提供する。
論文 参考訳（メタデータ） (2023-08-16T17:39:15Z) - Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
我々はミネラルウールのための視覚品質管理システムを開発した。
ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。
我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
論文 参考訳（メタデータ） (2022-11-01T13:58:02Z) - End-to-end deep learning for directly estimating grape yield from
ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。
オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。
本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文 参考訳（メタデータ） (2022-08-04T01:34:46Z) - DeepAdversaries: Examining the Robustness of Deep Learning Models for
Galaxy Morphology Classification [47.38422424155742]
銀河の形態分類では、画像データにおける摂動の影響について検討する。
ドメイン適応によるトレーニングはモデルロバスト性を向上し、これらの摂動の影響を緩和することを示す。
論文 参考訳（メタデータ） (2021-12-28T21:29:02Z) - Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and
Supervised Learning Methods in Adversarial Environments [63.942632088208505]
現在の運用環境に固有ののは、敵対的機械学習の実践である。
本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。
我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
論文 参考訳（メタデータ） (2021-05-14T10:05:10Z) - Weakly Supervised Learning Guided by Activation Mapping Applied to a
Novel Citrus Pest Benchmark [6.239768930024569]
統合害虫管理(Integrated pest Management)は、シトラス作物の害虫や病気による被害を予防・緩和するために最も広く用いられるプロセスである。
我々は、画像に対する関心領域を自動的に選択するために、サリエンシマップによって導かれる弱教師付き学習プロセスを設計する。
2つの大規模データセットで行った実験から,農業分野における害虫の分類と病気の分類の問題に対して,本研究の結果は非常に有望であることが明らかとなった。
論文 参考訳（メタデータ） (2020-04-22T01:26:50Z)
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。