論文の概要: Empowering Local Agriculture: A Deep Learning-Powered Web System for Identifying Bangladeshi Mango Varieties
- arxiv url: http://arxiv.org/abs/2608.28161v1
- Date: Fri, 28 Aug 2026 10:21:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.273703
- Title: Empowering Local Agriculture: A Deep Learning-Powered Web System for Identifying Bangladeshi Mango Varieties
- Title（参考訳）: バングラデシュのマンゴー品種を同定する深層学習型Webシステム
- Abstract要約: 本研究では,バングラデシュのマンゴー品種の自動識別のための深層学習に基づくWebシステムを提案する。
2,013枚の高品質マンゴー画像(3024×4032ピクセル)を地元の市場や農場から収集し,9つのクラスに分類した。
モデルをStreamlit Webアプリケーションに統合し,マンゴー画像のアップロードと,クラス確率で予測された多様性の受信を可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mango variety identification in Bangladesh is challenging because closely related cultivars can have similar visual characteristics and images are often captured under varying real-world conditions. This work presents a deep learning-based web system for automatic identification of Bangladeshi mango varieties. We collected 2,013 high-quality mango images (3024x4032 pixels) from local markets and farms and organized them into nine classes, combining Bari-4 and Bari-7 as a single Bari class. The dataset was divided into training (70%), validation (15%), and test (15%) sets, with image augmentation applied to improve model generalization. Three pretrained CNN architectures, ResNet18, ResNet50, and EfficientNetB0, were fine-tuned under consistent training settings. EfficientNetB0 achieved the best performance, obtaining 98.01% validation accuracy and 97.36% test accuracy, compared with 86.47% and 78.55% test accuracy for ResNet18 and ResNet50, respectively. Class-wise F1-scores for EfficientNetB0 ranged from 0.93 to 0.99, while the Bari class achieved an F1-score of 0.97. The selected EfficientNetB0 model has approximately 4 million parameters, making it suitable for lightweight deployment. We integrated the model into a Streamlit web application that enables users to upload a mango image and receive a predicted variety with class probabilities. The system provides an accessible, practical tool for mango identification and demonstrates the potential of deep learning for supporting agricultural applications in Bangladesh.
- Abstract（参考訳）: バングラデシュのマンゴー品種の識別は、近縁な品種が類似した視覚的特徴を持ち、実世界の様々な条件下で画像が撮影されることがしばしばあるため、困難である。
本研究では,バングラデシュのマンゴー品種の自動識別のための深層学習に基づくWebシステムを提案する。
2,013個の高品質マンゴー画像(3024×4032ピクセル)を現地の市場や農場から収集し,バリ4とバリ7を1つのバリ級にまとめて9つのクラスに分類した。
データセットはトレーニング(70%)、検証(15%)、テスト(15%)に分割され、画像拡張はモデルの一般化を改善するために適用された。
事前訓練された3つのCNNアーキテクチャ、ResNet18、ResNet50、EfficientNetB0は、一貫したトレーニング設定下で微調整された。
効率の良いNetB0は98.01%の検証精度と97.36%のテスト精度を獲得し、それぞれResNet18とResNet50の86.47%と78.55%のテスト精度を得た。
EfficientNetB0のクラスワイドF1スコアは0.93から0.99、バリクラスは0.97だった。
選択されたEfficientNetB0モデルは、約400万のパラメータを持ち、軽量なデプロイメントに適している。
モデルをStreamlit Webアプリケーションに統合し,マンゴー画像のアップロードと,クラス確率で予測された多様性の受信を可能にする。
このシステムはマンゴー識別のためのアクセス可能で実用的なツールを提供し、バングラデシュにおける農業応用を支援するためのディープラーニングの可能性を示している。
関連論文リスト
- Attention mechanisms and transfer learning for robust peach leaf damage classification under domain shift [2.820120779484705]
気候変動は、しばしば視覚的に類似した葉の症状を引き起こす害虫や病気を含む、無生物的なストレスと生物的な圧力を増大させる。
モモ葉の損傷検出のための画像に基づく分類手法を提案する。
論文 参考訳（メタデータ） (2026-06-01T10:36:01Z) - Comparative Analysis of Custom CNN Architectures versus Pre-trained Models and Transfer Learning: A Study on Five Bangladesh Datasets [0.0]
微調整による転送学習は、スクラッチから構築されたカスタムCNNと特徴抽出の両方で、一貫してパフォーマンスが向上する。
カスタムCNNはモデルサイズ(3.4M パラメータ対 11-134M モデル)の利点を提供するが、トランスファーラーニングによる事前学習モデルは優れた性能を提供する。
論文 参考訳（メタデータ） (2026-01-07T19:36:41Z) - 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) - Transfer Learning-Based CNN Models for Plant Species Identification Using Leaf Venation Patterns [0.0]
本研究では,3つのディープラーニングアーキテクチャ(ResNet50,MobileNetV2,EfficientNetB0)の有効性を評価する。
論文 参考訳（メタデータ） (2025-09-03T21:23:09Z) - Classification of Tents in Street Bazaars Using CNN [0.0]
本研究では,街路バザーのテント分類のための改良されたディープラーニングモデルを提案する。
我々は、独自の畳み込みニューラルネットワーク(CNN)とEfficientNetB0を比較した。
その結果、CNNのカスタムモデルは92.8%の精度を示し、EfficientNetB0は98.4%の精度を示した。
論文 参考訳（メタデータ） (2025-06-22T08:52:28Z) - Common 7B Language Models Already Possess Strong Math Capabilities [61.61442513067561]
本稿では,LLaMA-2 7Bモデルと事前学習を併用したモデルが,すでに強力な数学的能力を示していることを示す。
拡張スケーリングの可能性は、公開されている数学の質問の不足によって制限されている。
論文 参考訳（メタデータ） (2024-03-07T18:00:40Z) - Facilitated machine learning for image-based fruit quality assessment in
developing countries [68.8204255655161]
自動画像分類は食品科学における教師あり機械学習の一般的な課題である。
事前学習型視覚変換器(ViT)に基づく代替手法を提案する。
標準的なデバイス上で限られたリソースで簡単に実装できる。
論文 参考訳（メタデータ） (2022-07-10T19:52:20Z) - Measuring Self-Supervised Representation Quality for Downstream
Classification using Discriminative Features [56.89813105411331]
我々は,SimCLR,SwaV,MoCo,BYOL,DINO,SimSiam,VICReg,Barlow Twinsといった最先端の自己教師型モデルの表現空間について検討した。
本稿では,標本が誤分類される可能性を確実に予測できる教師なしスコアである自己監督表現品質スコア(Qスコア)を提案する。
Q-Score正規化による微調整により、SSLモデルの線形探索精度はImageNet-100で5.8%、ImageNet-1Kで3.7%向上する。
論文 参考訳（メタデータ） (2022-03-03T17:48:23Z) - To be Critical: Self-Calibrated Weakly Supervised Learning for Salient
Object Detection [95.21700830273221]
弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。
擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。
十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
論文 参考訳（メタデータ） (2021-09-04T02:45:22Z) - DisCo: Remedy Self-supervised Learning on Lightweight Models with
Distilled Contrastive Learning [94.89221799550593]
SSL(Self-supervised representation Learning)はコミュニティから広く注目を集めている。
最近の研究では、モデルサイズが小さくなれば、その性能は低下すると主張している。
単純かつ効果的な蒸留コントラスト学習(DisCo)を提案し、問題を大きなマージンで緩和します。
論文 参考訳（メタデータ） (2021-04-19T08:22:52Z) - Fixing the train-test resolution discrepancy: FixEfficientNet [98.64315617109344]
本稿では,複数のトレーニング手順を用いて,効率的なNet画像分類器の性能解析を行う。
FixEfficientNetと呼ばれる結果のネットワークは、同じ数のパラメータで初期アーキテクチャを著しく上回る。
論文 参考訳（メタデータ） (2020-03-18T14:22:58Z)
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。