論文の概要: Healthy Harvests: A Comparative Look at Guava Disease Classification Using InceptionV3

• arxiv url: http://arxiv.org/abs/2602.10967v1
• Date: Wed, 11 Feb 2026 15:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:02.085546
• Title: Healthy Harvests: A Comparative Look at Guava Disease Classification Using InceptionV3
• Title（参考訳）: Healthy Harvests: InceptionV3を用いたGuava病分類の比較検討
• Authors: Samanta Ghosh, Shaila Afroz Anika, Umma Habiba Ahmed, B. M. Shahria Alam, Mohammad Tahmid Noor, Nishat Tasnim Niloy,
• Abstract要約: このデータセットには、Guavaの473のオリジナルイメージが含まれている。 拡張データセットは、高度な前処理技術を用いた3784の画像で構成されている。 InceptionV3モデルは98.15%の精度を達成し、ResNet50got 94.46%の精度を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Guava fruits often suffer from many diseases. This can harm fruit quality and fruit crop yield. Early identification is important for minimizing damage and ensuring fruit health. This study focuses on 3 different categories for classifying diseases. These are Anthracnose, Fruit flies, and Healthy fruit. The data set used in this study is collected from Mendeley Data. This dataset contains 473 original images of Guava. These images vary in size and format. The original dataset was resized to 256x256 pixels with RGB color mode for better consistency. After this, the Data augmentation process is applied to improve the dataset by generating variations of the original images. The augmented dataset consists of 3784 images using advanced preprocessing techniques. Two deep learning models were implemented to classify the images. The InceptionV3 model is well known for its advanced framework. These apply multiple convolutional filters for obtaining different features effectively. On the other hand, the ResNet50 model helps to train deeper networks by using residual learning. The InceptionV3 model achieved the impressive accuracy of 98.15%, and ResNet50got 94.46% accuracy. Data mixing methods such as CutMix and MixUp were applied to enhance the model's robustness. The confusion matrix was used to evaluate the overall model performance of both InceptionV3 and Resnet50. Additionally, SHAP analysis is used to improve interpretability, which helps to find the significant parts of the image for the model prediction. This study purposes to highlight how advanced models enhan
• Abstract（参考訳）: グアバの果実は、しばしば多くの病気に悩まされる。 これは果実の品質と果実の収穫を損なう可能性がある。 早期同定は、損傷を最小限に抑え、果実の健康を確保するために重要である。 本研究は,3つの疾患分類カテゴリーに焦点を当てた。 アントラクノース、フルーツフライ、健康果実などである。 この研究で使用されるデータセットは、Mendley Dataから収集される。 このデータセットには、Guavaの473のオリジナルイメージが含まれている。 これらの画像のサイズと形式は様々である。 元のデータセットは256x256ピクセルにリサイズされ、RGB色モードで一貫性が向上した。 その後、データ拡張プロセスを適用し、元の画像のバリエーションを生成してデータセットを改善する。 拡張データセットは、高度な前処理技術を用いた3784の画像で構成されている。 画像を分類するために2つのディープラーニングモデルが実装された。 InceptionV3モデルは、その高度なフレームワークでよく知られている。 これらは、異なる特徴を効果的に得るために複数の畳み込みフィルタを適用する。 一方、ResNet50モデルは、残留学習を使用することで、より深いネットワークのトレーニングを支援する。 InceptionV3モデルは98.15%の精度を達成し、ResNet50got 94.46%の精度を達成した。 CutMixやMixUpといったデータミキシング手法を適用して、モデルの堅牢性を高めた。 混乱行列を用いて、InceptionV3とResnet50のモデル全体の性能を評価した。 さらに、SHAP分析は、解釈可能性を改善するために使用され、モデル予測のための画像の重要な部分を見つけるのに役立つ。 本研究の目的は, モデルエンハンの高度化に焦点をあてることである。

関連論文リスト

• Performance Evaluation of Transfer Learning Based Medical Image Classification Techniques for Disease Detection [4.768189710592187]
  本稿では,深層畳み込みニューラルネットワークを用いた医用画像分類のための伝達学習(TL)手法の包括的解析を行う。 疾患検出のためのカスタム胸部X線データセットを用いて,6つの事前訓練モデルの評価を行った。 以上の結果から, TLが有用である症例は多く, 特にデータ量が少ない場合が多いが, 改善の程度はいくつかの要因に左右される。
  論文  参考訳（メタデータ） (2025-12-04T02:41:27Z)
• Classifying Healthy and Defective Fruits with a Multi-Input Architecture and CNN Models [0.0]
  主な目的は、CNNモデルの精度を高めることである。 その結果,Multi-Input アーキテクチャにシルエット画像を含めることで,優れた性能のモデルが得られることがわかった。
  論文  参考訳（メタデータ） (2024-10-14T21:37:12Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Additional Look into GAN-based Augmentation for Deep Learning COVID-19 Image Classification [57.1795052451257]
  我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。 両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。 GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
  論文  参考訳（メタデータ） (2024-01-26T08:28:13Z)
• On the Image-Based Detection of Tomato and Corn leaves Diseases : An in-depth comparative experiments [0.0]
  本研究は、植物画像分類のための畳み込みニューラルネットワーク(CNN)に基づく、新しい植物病検出モデルを提案する。 このモデルは2つの異なる植物病を4つのカテゴリに分類し、植物病の同定のための新しいテクニックを提示する。
  論文  参考訳（メタデータ） (2023-12-14T05:11:30Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Apple Counting using Convolutional Neural Networks [22.504279159923765]
  果樹園のような現実の環境でのイメージから、正確で信頼性の高い果実や野菜の数を推定することは、難しい問題である。 コンボリューショナルニューラルネットワークを訓練することにより,画像から果実を数えることを多クラス分類問題として定式化し,その問題を解決する。 当社のネットワークは、最大94%の精度で、4つのデータセットのうち3つでパフォーマンスを向上しています。
  論文  参考訳（メタデータ） (2022-08-24T14:13:40Z)
• Deep Learning Based Classification System For Recognizing Local Spinach [0.0]
  ホウレンソウを自動的に識別する深層学習法が使用されている。 4つの畳み込みニューラルネットワーク(CNN)モデルを用いてホウレンソウを分類した。 これらのモデルの中で、VGG16は99.79%の精度を達成した。
  論文  参考訳（メタデータ） (2022-01-06T15:10:41Z)

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。