論文の概要: An Ensemble Deep Learning Approach for Reliable and Scalable Lemon Leaf Disease Classification

• arxiv url: http://arxiv.org/abs/2606.14871v1
• Date: Fri, 12 Jun 2026 18:15:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.352934
• Title: An Ensemble Deep Learning Approach for Reliable and Scalable Lemon Leaf Disease Classification
• Title（参考訳）: 信頼度と拡張性レモンリーフ病分類のためのアンサンブル深層学習アプローチ
• Authors: Shayan Abrar, Sudeepta Mandal, Abdul Awal Yasir, Sonjoy Bhattacharjee, Sadman Haque Bhuiyan, Samanta Ghosh, Rafi Ahamed,
• Abstract要約: レモン葉病データセットは1354画像を含む。 データセットはトレーニング(70%)、テスト(15%)、検証(15%)に分割された。 アンサンブルモデルは99.27%の精度で期待できる性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early detection of plant diseases is crucial to plants and for the farmers. Plant diseases reduce fruit yield and quality, and plants are more susceptible to other stresses when they are infected. The lemon leaf disease dataset contains 1354 images. The dataset has 9 classes. Among the 9 classes only one class is for healthy leaf, and the other 8 classes are leaf diseases. The dataset was split into training (70%), testing (15%) and validation (15%) sets after comprehensive preprocessing. Two pretrained models (InceptionV3 and MobileNetV2) were applied and then combined these models using an ensemble technique to boost robustness. Ensemble models showed a promising performance of 99.27% accuracy. Adversarial Training is applied to improve models' ability and ensure reliable predictions under noisy data. Grad-CAM visualization highlights the important regions of leaf images that validate the model prediction with confidence level.
• Abstract（参考訳）: 植物病の早期発見は、植物や農家にとって重要である。 植物病は果実の収量と品質を低下させ、植物は感染した時に他のストレスに敏感になる。 レモン葉病データセットは1354画像を含む。 データセットには9つのクラスがあります。 9つのクラスのうち1つのクラスは健康な葉のためのもので、残りの8クラスは葉の病気である。 データセットはトレーニング(70%)、テスト(15%)、検証(15%)に分割された。 事前訓練された2つのモデル(InceptionV3とMobileNetV2)を適用し、アンサンブル技術を用いて堅牢性を向上した。 アンサンブルモデルは99.27%の精度で期待できる性能を示した。 逆行訓練は、ノイズの多いデータの下でモデルの能力を改善し、信頼性の高い予測を保証するために適用される。 Grad-CAMビジュアライゼーションは、モデル予測を信頼度で検証する葉のイメージの重要な領域を強調する。

関連論文リスト

• GourNet: A CNN-Based Model for Mango Leaf Disease Detection [1.9573380763700712]
  マンゴー葉の感染を識別する「GourNet」という「深層学習」モデルを導入する。 我々は"MangoLeafBD"データセットを使用して、提示されたモデルの有効性をトレーニングし、評価する。 我々のモデルは683,656個の合計パラメータしか使用せず、分類精度は97%である。
  論文  参考訳（メタデータ） (2026-04-30T11:53:32Z)
• LeafLife: An Explainable Deep Learning Framework with Robustness for Grape Leaf Disease Recognition [0.0]
  植物病データセットは、4種類のブドウ葉病9,032枚を含むもので、うち3種は葉病で、もう1種は健康な葉である。 Xceptionは96.23%の精度で、InceptionV3よりも顕著である。 最終的にStreamlitを使用したWebアプリケーションをデプロイし、ヒートマップの可視化と信頼性レベルの予測を行い、堅牢なブドウの葉病の分類を可能にした。
  論文  参考訳（メタデータ） (2026-01-06T15:55:22Z)
• 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)
• 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)
• 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)
• 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)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)

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。