Fugu-MT 論文翻訳(概要): TeaLeafVision: An Explainable and Robust Deep Learning Framework for Tea Leaf Disease Classification

論文の概要: TeaLeafVision: An Explainable and Robust Deep Learning Framework for Tea Leaf Disease Classification

arxiv url: http://arxiv.org/abs/2604.07182v1
Date: Wed, 08 Apr 2026 15:11:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-09 17:30:51.602297
Title: TeaLeafVision: An Explainable and Robust Deep Learning Framework for Tea Leaf Disease Classification
Title（参考訳）: TeaLeafVision: ティーリーフ病分類のための説明可能な、ロバストなディープラーニングフレームワーク
Authors: Rafi Ahamed, Sidratul Moon Nafsin, Md Abir Rahman, Tasnia Tarannum Roza, Munaia Jannat Easha, Abu Raihan,
Abstract要約: 我々は、いくつかの畳み込みニューラルネットワーク(CNN)モデルを評価し、そのうち3つは顕著な性能を示した。 DenseNet201は99%という高いテスト精度を達成した。本稿では,茶葉病のリアルタイム診断・管理における深層学習モデルの有用性について述べる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: As the worlds second most consumed beverage after water, tea is not just a cultural staple but a global economic force of profound scale and influence. More than a mere drink, it represents a quiet negotiation between nature, culture, and the human desire for a moment of reflection. So, the precise identification and detection of tea leaf disease is crucial. With this goal, we have evaluated several Convolutional Neural Networks (CNN) models, among them three shows noticeable performance including DenseNet201, MobileNetV2, InceptionV3 on the teaLeafBD dataset. teaLeafBD dataset contains seven classes, six disease classes and one healthy class, collected under various field conditions reflecting real world challenges. Among the CNN models, DenseNet201 has achieved the highest test accuracy of 99%. In order to enhance the model reliability and interpretability, we have implemented Gradient weighted Class Activation Mapping (Grad CAM), occlusion sensitivity analysis and adversarial training techniques to increase the noise resistance of the model. Finally, we have developed a prototype in order to leverage the models capabilities on real life agriculture. This paper illustrates the deep learning models capabilities to classify the disease in real life tea leaf disease detection and management.
Abstract（参考訳）: 水に次いで世界で2番目に消費される飲料である茶は、単に文化の基盤であるだけでなく、大きな規模と影響力を持つ世界的な経済力である。単なる飲み物ではなく、自然と文化と人間の欲求の間の静かな交渉を表している。したがって,茶葉病の正確な同定と検出が重要である。この目標により、我々は、DenseNet201、MobileNetV2、InceptionV3を含むいくつかの畳み込みニューラルネットワーク(CNN)モデルをTeaLeafBDデータセット上で評価した。 teaLeafBDデータセットには、現実世界の課題を反映したさまざまなフィールド条件下で収集された7つのクラス、6つの病気クラス、1つの健康クラスが含まれている。 CNNモデルの中では、DenseNet201が99%という高いテスト精度を達成した。モデルの信頼性と解釈可能性を高めるため,モデルの耐雑音性を高めるため,グラディエント重み付きクラスアクティベーションマッピング(Grad CAM),オクルージョン感度解析および対角訓練技術を実装した。最後に,実生活農業におけるモデル機能を活用するためのプロトタイプを開発した。本稿では,茶葉病のリアルタイム診断・管理における深層学習モデルの有用性について述べる。

関連論文リスト

Toward Reliable Tea Leaf Disease Diagnosis Using Deep Learning Model: Enhancing Robustness With Explainable AI and Adversarial Training [0.0]
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。
論文参考訳（メタデータ） (2026-02-11T17:21:36Z)
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)
Fine-Tuned CNN-Based Approach for Multi-Class Mango Leaf Disease Detection [1.057098647974782]
本研究は,マンゴー葉病のマルチクラス同定のための,事前学習した5つの畳み込みニューラルネットワーク,DenseNet201,InceptionV3,ResNet152V2,SeResNet152,Xceptionの性能について検討した。 DenseNet201は最高の結果を出し、99.33%の精度を達成し、個々のクラスに対して一貫して強力なメトリクスを出力した。
論文参考訳（メタデータ） (2025-10-06T19:47:26Z)
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)
Machine Learning-Based Tea Leaf Disease Detection: A Comprehensive Review [3.3916160303055563]
茶葉病は農業生産にとって大きな課題であり、茶産業の収量や品質に大きく影響している。機械学習の台頭は、これらの病気に対処するための革新的なアプローチの開発を可能にした。茶葉病の予測には,すでにさまざまな画像処理技術を用いていくつかの自動化システムが開発されている。
論文参考訳（メタデータ） (2023-11-06T16:30:40Z)
A Novel Information-Theoretic Objective to Disentangle Representations for Fair Classification [46.884905701771004]
そのような非絡み合った表現に対する主な応用の1つは、公平な分類である。我々は、この問題の情報理論的視点を採用し、レギュレータの新しいファミリーを動機付けている。結果として得られた損失はCLINICと呼ばれ、パラメータフリーである。
論文参考訳（メタデータ） (2023-10-21T12:35:48Z)
Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
論文参考訳（メタデータ） (2023-10-04T21:57:09Z)
REFUGE2 Challenge: Treasure for Multi-Domain Learning in Glaucoma Assessment [45.41988445653055]
REFUGE2チャレンジでは、Zeiss、Canon、Kowa、Topconを含む4つのモデルの2000枚のカラー・ファンドイメージがリリースされた。 3つのサブタスクは緑内障分類、カップ/光ディスクセグメンテーション、黄斑葉の局在などの課題のために設計された。この記事では、ファイナリストのメソッドを要約し、その結果を分析します。
論文参考訳（メタデータ） (2022-02-18T02:56:21Z)
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)

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。