論文の概要: A Lightweight and Explainable DenseNet-121 Framework for Grape Leaf Disease Classification

• arxiv url: http://arxiv.org/abs/2602.12484v1
• Date: Thu, 12 Feb 2026 23:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.791171
• Title: A Lightweight and Explainable DenseNet-121 Framework for Grape Leaf Disease Classification
• Title（参考訳）: グレープリーフ病分類のための軽量で説明可能なDenseNet-121フレームワーク
• Authors: Md. Ehsanul Haque, Md. Saymon Hosen Polash, Rakib Hasan Ovi, Aminul Kader Bulbul, Md Kamrul Siam, Tamim Hasan Saykat,
• Abstract要約: グレープは世界規模でもっとも経済的、文化的に重要な果物の1つであり、テーブルグレープとワインはヨーロッパとアジアで大量生産されている。 現在の自動化手法(特にYOLOフレームワークに基づくもの)は計算コストがかかり、現実のシナリオには適さない解釈性に欠けることが多い。 The study is proposed grape leaf disease classification using OptimizedNet 121。 Domain-specific preprocessing and extensive connection revealed to disease-levant characteristics, including veins, edges, lesions。 精度99.27%、F1スコア99.28%、特異性99.71%
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Grapes are among the most economically and culturally significant fruits on a global scale, and table grapes and wine are produced in significant quantities in Europe and Asia. The production and quality of grapes are significantly impacted by grape diseases such as Bacterial Rot, Downy Mildew, and Powdery Mildew. Consequently, the sustainable management of a vineyard necessitates the early and precise identification of these diseases. Current automated methods, particularly those that are based on the YOLO framework, are often computationally costly and lack interpretability that makes them unsuitable for real-world scenarios. This study proposes grape leaf disease classification using Optimized DenseNet 121. Domain-specific preprocessing and extensive connectivity reveal disease-relevant characteristics, including veins, edges, and lesions. An extensive comparison with baseline CNN models, including ResNet18, VGG16, AlexNet, and SqueezeNet, demonstrates that the proposed model exhibits superior performance. It achieves an accuracy of 99.27%, an F1 score of 99.28%, a specificity of 99.71%, and a Kappa of 98.86%, with an inference time of 9 seconds. The cross-validation findings show a mean accuracy of 99.12%, indicating strength and generalizability across all classes. We also employ Grad-CAM to highlight disease-related regions to guarantee the model is highlighting physiologically relevant aspects and increase transparency and confidence. Model optimization reduces processing requirements for real-time deployment, while transfer learning ensures consistency on smaller and unbalanced samples. An effective architecture, domain-specific preprocessing, and interpretable outputs make the proposed framework scalable, precise, and computationally inexpensive for detecting grape leaf diseases.
• Abstract（参考訳）: グレープは世界規模でもっとも経済的、文化的に重要な果物の1つであり、テーブルグレープとワインはヨーロッパとアジアで大量生産されている。 ブドウの生産と品質は、バクテリアロート、ダウディ・ミルデュー、パウディ・ミルデューなどのブドウ病に大きく影響を受ける。 そのため、ブドウ園の持続的な管理は、これらの疾患の早期かつ正確な同定を必要とする。 現在の自動化手法(特にYOLOフレームワークに基づくもの)は計算コストがかかり、現実のシナリオには適さない解釈性に欠けることが多い。 そこで本研究では,Optimized DenseNet 121を用いたブドウの葉病分類を提案する。 ドメイン固有の前処理と広範囲の接続は、静脈、エッジ、病変など、疾患に関連する特徴を明らかにします。 ResNet18、VGG16、AlexNet、SqueezeNetなどのベースラインCNNモデルとの比較により、提案モデルが優れた性能を示すことを示す。 精度99.27%、F1スコア99.28%、特異度99.71%、Kappaは98.86%、推論時間は9秒である。 クロスバリデーションの結果は平均99.12%の精度を示し、全てのクラスで強さと一般化可能性を示している。 また,Grad-CAMを用いて疾患関連領域の強調を行い,そのモデルが生理的側面を強調し,透明性と信頼性を高めることを保証する。 モデル最適化はリアルタイムデプロイメントの処理要求を低減し、転送学習はより小さく不均衡なサンプルの一貫性を保証する。 効果的なアーキテクチャ、ドメイン固有の前処理、解釈可能な出力により、提案されたフレームワークは、ブドウの葉病を検出するためにスケーラブルで、正確で、計算的に安価である。

関連論文リスト

• Simultaneous Detection of LSD and FMD in Cattle Using Ensemble Deep Learning [0.0]
  ランピー皮膚病(LSD)とフット・アンド・ムート病(FMD)は牛に感染するウイルス性疾患である。 彼らの視覚的診断は、互いに重なり合う重要な症状と、昆虫の噛み込みや化学燃焼のような良質な状態によって複雑である。 そこで本研究では,VGG16,ResNet50,InceptionV3を併用したEnsemble Deep Learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-19T09:42:00Z)
• Measuring Stability Beyond Accuracy in Small Open-Source Medical Large Language Models for Pediatric Endocrinology [34.80893325510028]
  小さなオープンソース医療用大規模言語モデル(LLM)は、低リソースのデプロイメントとより広範なアクセシビリティのための有望な機会を提供する。 人体評価と臨床検査を併用して,6つの小さなオープンソース医療用LLMを評価した。
  論文  参考訳（メタデータ） (2025-12-26T14:30:53Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• 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)
• Detection and Classification of Diseases in Multi-Crop Leaves using LSTM and CNN Models [0.0]
  植物病は作物の収穫量を減らし、食糧品質に影響を与えることで農業に深刻な課題をもたらす。 本研究では,植物葉病の分類に畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)モデルを適用した。
  論文  参考訳（メタデータ） (2025-04-30T02:36:51Z)
• Design and Implementation of FourCropNet: A CNN-Based System for Efficient Multi-Crop Disease Detection and Management [3.4161054453684705]
  本研究では,複数の作物の病原体を検出するための新しいディープラーニングモデルであるFourCropNetを提案する。 FourCropNetは、Grapeの99.7%、Cornの99.5%、組み合わせたデータセットの95.3%の最高精度を達成した。
  論文  参考訳（メタデータ） (2025-03-11T12:00:56Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• 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)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。