論文の概要: A Light Weight Multi-Features-View Convolution Neural Network For Plant Disease Identification
- arxiv url: http://arxiv.org/abs/2605.00903v1
- Date: Tue, 28 Apr 2026 20:47:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.46828
- Title: A Light Weight Multi-Features-View Convolution Neural Network For Plant Disease Identification
- Title（参考訳）: 植物病原体同定のための軽量多視点畳み込みニューラルネットワーク
- Authors: Muhammad Kaleem Ullah Khan,
- Abstract要約: 植物病の予測は、持続的で高品質な農業生産に不可欠である。
植物病の効率的な同定のために、深層畳み込みニューラルネットワークモデルをデプロイすることは困難である。
植物の病気を正確にかつ効率的に識別するために,軽量な多視点畳み込みニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Agriculture is a key sector of the economies of developing countries. It serves as a primary source of income and employment for rural populations. However, each year, a large portion of crops is wasted because of pests and diseases. Well-timed prediction of plant diseases is crucial to sustainable, high-quality agricultural production. Detection of plant diseases through conventional methods is both labour-intensive and time-consuming. Researchers have developed image classification based automated techniques for this purpose. Most accurate methods are based on deep convolutional neural networks, which are computationally intensive, with many layers and millions of trainable parameters. In resource-constrained settings, especially in rural areas, it is difficult to deploy deep convolutional neural network models for efficient plant disease identification. To address these issues, an efficient and light-weight Multi-View Convolutional Neural Network is proposed. These additional features aid the proposed model to identify the plant diseases accurately and efficiently with less number of parameters. The proposed model is tested on a benchmark Plantvillage dataset and achieves an improvement of $ 2.9\%$ in classification accuracy compared to the baseline convolutional neural network model, which was trained only on Red, Green, and Blue (RGB) plant images. Compared with state-of-the-art deep convolutional neural network models, the proposed model is less computationally expensive and achieves comparable accuracy for plant disease identification on the PlantVillage dataset.
- Abstract（参考訳）: 農業は発展途上国の経済の重要な分野である。
田園部住民の収入と雇用の主な源となっている。
しかし、毎年、農作物の多くは害虫や病気のために無駄にされる。
植物病の予測は、持続的で高品質な農業生産に不可欠である。
従来の方法による植物病の検出は、労働集約的かつ時間を要する。
この目的のために、画像分類に基づく自動技術を開発した。
最も正確な手法はディープ畳み込みニューラルネットワークに基づいており、計算集約的で、多くの層と数百万のトレーニング可能なパラメータがある。
資源制約のある環境では、特に農村地域では、効率的な植物病の同定のために深層畳み込みニューラルネットワークモデルを展開することは困難である。
これらの問題に対処するために、効率的で軽量なマルチビュー畳み込みニューラルネットワークを提案する。
これらの追加機能は、提案されたモデルにおいて、パラメータの少ない植物疾患を正確かつ効率的に識別するのに役立つ。
提案したモデルは、ベンチマークのPlandvillageデータセットでテストされ、赤、緑、青(RGB)の植物画像のみをトレーニングしたベースライン畳み込みニューラルネットワークモデルと比較して、分類精度が2.9\%向上する。
最先端の深層畳み込みニューラルネットワークモデルと比較して、提案モデルは計算コストが低く、植物病の同定に匹敵する精度を実現している。
関連論文リスト
- Automated Multi-Class Crop Pathology Classification via Convolutional Neural Networks: A Deep Learning Approach for Real-Time Precision Agriculture [0.0]
本研究では,コンボリューショナルニューラルネットワーク(CNN)を用いた画像分類システムを提案する。
このソリューションは、オープンソースでモバイル互換のプラットフォーム上にデプロイされ、リモートエリアの農家に対してリアルタイムの画像ベースの診断を可能にする。
論文 参考訳（メタデータ） (2025-07-12T18:45:50Z) - A Hybrid Technique for Plant Disease Identification and Localisation in Real-time [0.0]
本稿では, 画像のQuad-Tree分解に基づく植物病の同定とローカライズのための新しい手法を提案する。
提案アルゴリズムは,比較的計算負荷の少ない高解像度画像の精度と高速収束を著しく向上する。
論文 参考訳（メタデータ） (2024-12-27T15:20:45Z) - PlantSeg: A Large-Scale In-the-wild Dataset for Plant Disease Segmentation [37.383095056084834]
植物病データセットは一般的にセグメンテーションラベルを欠いている。
実験室の設定からの画像を含む典型的なデータセットとは異なり、PlanetSegは主に野生の植物病の画像で構成されている。
植物セグは11,400枚の画像と病気のセグメンテーションマスクと、植物の種類によって分類された8000枚の健康な植物画像が特徴である。
論文 参考訳（メタデータ） (2024-09-06T06:11:28Z) - BonnBeetClouds3D: A Dataset Towards Point Cloud-based Organ-level Phenotyping of Sugar Beet Plants under Field Conditions [28.79416825695514]
農業生産は今後数十年間、気候変動と持続可能性の必要性によって深刻な課題に直面している。
自律無人航空機(UAV)による作物のモニタリングと、ロボットによる非化学雑草によるフィールド管理の進歩は、これらの課題に対処するのに有用である。
表現型化と呼ばれる植物形質の分析は、植物の育種に不可欠な活動であるが、大量の手作業が伴う。
論文 参考訳（メタデータ） (2023-12-22T14:06:44Z) - Explainable vision transformer enabled convolutional neural network for
plant disease identification: PlantXViT [11.623005206620498]
植物病は世界の作物の損失の主な原因であり、世界経済に影響を及ぼす。
本研究では、植物病の同定のために、ビジョントランスフォーマーにより「PlantXViT」と呼ばれる畳み込みニューラルネットワークモデルが提案される。
提案したモデルは、わずか0.8万のトレーニング可能なパラメータを持つ軽量な構造であり、IoTベースのスマート農業サービスに適している。
論文 参考訳（メタデータ） (2022-07-16T12:05:06Z) - Adaptive Transfer Learning for Plant Phenotyping [33.28898554551106]
植物表現の表現における現代の機械学習モデルの知識伝達可能性について検討する。
植物フェノタイピングにおける注釈付きサンプル数に影響を及ぼす従来の機械学習モデルの性能について
ニューラルネットワークに基づく伝達学習モデルは植物の表現型化の性能を向上させるか?
論文 参考訳（メタデータ） (2022-01-14T00:40:40Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Improved Neural Network based Plant Diseases Identification [0.0]
農業部門は、多くの人々や食料に基本的な収入を提供するため、すべての国にとって必須であり、この惑星で生き残るための基本的な要件である。
植物病の知識が不十分なため、農家は肥料を過剰に使用し、最終的に食物の品質を低下させる。
現段階では、画像処理は植物の葉の病変領域を識別し、カタログ化するために用いられる。
論文 参考訳（メタデータ） (2021-01-01T11:49:56Z) - A Multi-Plant Disease Diagnosis Method using Convolutional Neural
Network [0.0]
本章では,複数植物の診断を併用した最適な植物病原体同定モデルについて検討する。
我々は多くの一般的な畳み込みニューラルネットワーク(CNN)アーキテクチャを実装している。
Xception と DenseNet アーキテクチャは,マルチラベル植物病の分類タスクにおいて,より優れた性能を示した。
論文 参考訳（メタデータ） (2020-11-10T15:18:52Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。
シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文 参考訳（メタデータ） (2020-05-18T21:57:47Z)
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。