Fugu-MT 論文翻訳(概要): Toward Reliable Tea Leaf Disease Diagnosis Using Deep Learning Model: Enhancing Robustness With Explainable AI and Adversarial Training

論文の概要: Toward Reliable Tea Leaf Disease Diagnosis Using Deep Learning Model: Enhancing Robustness With Explainable AI and Adversarial Training

arxiv url: http://arxiv.org/abs/2602.11239v1
Date: Wed, 11 Feb 2026 17:21:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-13 21:07:25.478682
Title: Toward Reliable Tea Leaf Disease Diagnosis Using Deep Learning Model: Enhancing Robustness With Explainable AI and Adversarial Training
Title（参考訳）: 深層学習モデルを用いた茶葉疾患の信頼性診断に向けて:説明可能なAIによるロバストネスの強化と対人訓練
Authors: Samanta Ghosh, Jannatul Adan Mahi, Shayan Abrar, Md Parvez Mia, Asaduzzaman Rayhan, Abdul Awal Yasir, Asaduzzaman Hridoy,
Abstract要約: 本研究は,ティーリーフBDデータセットに基づく茶葉病分類の自動深層学習モデルを開発した。提案するパイプラインには、データ前処理、データ分割、敵トレーニング、拡張、モデルトレーニング、評価、理解が含まれる。実験の結果,EfficientNetB3が93%,DenseNet201が91%に達した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Tea is a valuable asset for the economy of Bangladesh. So, tea cultivation plays an important role to boost the economy. These valuable plants are vulnerable to various kinds of leaf infections which may cause less production and low quality. It is not so easy to detect these diseases manually. It may take time and there could be some errors in the detection.Therefore, the purpose of the study is to develop an automated deep learning model for tea leaf disease classification based on the teaLeafBD dataset so that anyone can detect the diseases more easily and efficiently. There are 5,278 high-resolution images in this dataset. The images are classified into seven categories. Six of them represents various diseases and the rest one represents healthy leaves. The proposed pipeline contains data preprocessing, data splitting, adversarial training, augmentation, model training, evaluation, and comprehension made possible with Explainable AI strategies. DenseNet201 and EfficientNetB3 were employed to perform the classification task. To prepare the model more robustly, we applied adversarial training so it can operate effectively even with noisy or disturbed inputs. In addition, Grad-CAM visualization was executed to analyze the model's predictions by identifying the most influential regions of each image. Our experimental outcomes revealed that EfficientNetB3 achieved the highest classification accuracy of 93%, while DenseNet201 reached 91%. The outcomes prove that the effectiveness of the proposed approach can accurately detect tea leaf diseases and provide a practical solution for advanced agricultural management.
Abstract（参考訳）: 茶はバングラデシュ経済にとって貴重な資産である。そのため、茶栽培は経済の活性化に重要な役割を担っている。これらの貴重な植物は様々な種類の葉の感染に弱いため、生産が減少し品質が低下する可能性がある。これらの病気を手動で検出するのは容易ではない。本研究の目的は,ティーリーフBDデータセットをベースとした茶葉病の自動深層学習モデルを構築し,誰でもより簡単かつ効率的に検出できるようにすることである。このデータセットには5,278の高解像度画像がある。画像は7つのカテゴリに分類される。そのうち6つは様々な病気を表し、残りの1つは健康な葉を表す。提案されたパイプラインには、データ前処理、データ分割、敵トレーニング、拡張、モデルトレーニング、評価、説明可能なAI戦略による理解が含まれている。 DenseNet201とEfficientNetB3は分類タスクを実行するために使用された。モデルをより堅牢に作成するために,雑音や乱れのある入力でも効果的に動作できるように,対向訓練を適用した。さらに、Grad-CAM視覚化を行い、各画像の最も影響力のある領域を特定してモデルの予測を分析する。実験の結果,EfficientNetB3が93%,DenseNet201が91%に達した。その結果, 提案手法の有効性は茶葉病を正確に検出し, 先進的な農業経営の実践的解決策となることが示唆された。

関連論文リスト

Enhancing Tea Leaf Disease Recognition with Attention Mechanisms and Grad-CAM Visualization [0.0]
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。
論文参考訳（メタデータ） (2025-12-19T16:11:57Z)
CBAM Integrated Attention Driven Model For Betel Leaf Diseases Classification With Explainable AI [0.48342038441006796]
本稿では,わずか213万パラメータ(8.13MB)の軽量CBAM-CNNモデルを提案する。葉病クラス間の微小変動を識別するモデルの能力は、統合的注意機構によって改善される。提案されたモデルは97%の精度、94%のリコール、95%のF1スコア、95.58%の精度を達成した。
論文参考訳（メタデータ） (2025-09-30T16:30:09Z)
Revisiting Automatic Data Curation for Vision Foundation Models in Digital Pathology [41.34847597178388]
視覚基盤モデル(FM)は、全スライディング画像から抽出された高度に異質なタイルの組織学的特徴を表現することを学ぶ。タイルレベルでの教師なし自動データキュレーションの可能性について検討し,3億5000万個のタイルを考慮に入れた。
論文参考訳（メタデータ） (2025-03-24T14:23:48Z)
Data Augmentation through Background Removal for Apple Leaf Disease Classification Using the MobileNetV2 Model [0.0]
本研究の目的は,実環境下での撮影画像におけるリンゴ葉病の分類性能に対するデータ拡張手法の効果を評価することである。提案手法は植物病理データベース上で98.71%の分類精度を達成し, 約3%の改善, 最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2024-11-29T16:06:34Z)
Explainable few-shot learning workflow for detecting invasive and exotic tree species [42.30413964219434]
本研究は,ブラジルのアトランティック・フォレストにおいて,外来樹種や外来樹種を検出するための,説明可能な数発の学習ワークフローを提案する。このワークフローは、Siameseネットワークと説明可能なAI(XAI)を統合することで、最小のラベル付きデータで木種の分類を可能にする。その結果,データスカース条件下においても,新たな木種を同定するためのワークフローの有効性が示された。
論文参考訳（メタデータ） (2024-11-01T15:45:19Z)
Benchmarking In-the-wild Multimodal Disease Recognition and A Versatile Baseline [42.49727243388804]
そこで本研究では,植物病原体認識データセットを提案する。病気のクラスが最も多いだけでなく、各疾患に関するテキストベースの記述も含んでいる。提案したデータセットは,実世界の疾患認識手法を評価するための理想的なテストベッドとみなすことができる。
論文参考訳（メタデータ） (2024-08-06T11:49:13Z)
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)
Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。モデルがサブセット固有の知識の学習に集中するように強制する。提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文参考訳（メタデータ） (2021-04-22T13:39:33Z)
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)
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。