論文の概要: When Ground-Truth Fidelity Matters: An Orchestrated UAS Framework for Wheat Streak Mosaic Virus Detection Using Vision Transformers and Machine Learning
- arxiv url: http://arxiv.org/abs/2609.12169v1
- Date: Thu, 10 Sep 2026 19:58:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.534514
- Title: When Ground-Truth Fidelity Matters: An Orchestrated UAS Framework for Wheat Streak Mosaic Virus Detection Using Vision Transformers and Machine Learning
- Title（参考訳）: 地中忠実度が問題となるとき:視覚変換器と機械学習を用いた小麦ストリークモザイクウイルス検出のための組織的UASフレームワーク
- Abstract要約: 小麦ストリークモザイクウイルス(Wheat streak mosaic virus、WSMV)は、トウモロコシやその他の穀物の破壊性病原体である。
無人航空機システム(UAS)マルチスペクトル画像を用いた植物レベルのWSMV検出のための自動パイプラインを提案する。
- 参考スコア（独自算出の注目度）: 0.41434413411743437
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Wheat streak mosaic virus (WSMV) is a destructive pathogen of sweet corn and other cereal crops, causing yield losses and complicating early detection because symptoms are spatially variable and subtle. In sweet corn seed production, WSMV also has regulatory importance, as phytosanitary regulations from countries such as New Zealand and Chile require seed lots to be certified virus-free. Visual scouting is unreliable because symptoms can resemble abiotic stress, while enzyme-linked immunosorbent assay (ELISA) is accurate but expensive, labor-intensive, and difficult to scale. We present an automated pipeline for plant-level WSMV detection using unmanned aircraft systems (UAS) multispectral imagery. The framework integrates orthomosaic reconstruction, geospatial alignment, plant extraction, and classification using a Vision Transformer with seven-channel inputs (five spectral bands, NDVI, and NDRE). Using treatment-based labels, the model achieved 89% accuracy on over 6,500 test patches across multiple growth stages. However, ELISA-based ground truth revealed substantial label noise: only a small fraction of sampled plants in inoculated plots were infected. Treatment labels therefore did not reliably represent infection status, and the high accuracy was largely driven by label bias rather than disease detection. Performance decreased markedly against row-level symptom severity and plant-level ELISA labels. Under these higher-fidelity but smaller-sample conditions, both deep learning and classical machine learning showed limited generalization and weak separability between ELISA-confirmed mock-inoculated and infected plants. These results show that UAS-based disease detection is constrained by label fidelity and data availability, emphasizing biologically grounded labels and models aligned with real-world conditions.
- Abstract（参考訳）: 小麦ストリークモザイクウイルス(WSMV)は、スイートコーンや他の穀物の破壊的な病原体であり、症状が空間的に変化し微妙であるため、収量減少と早期発見の困難を引き起こす。
甘いトウモロコシの種子生産において、WSMVは規制上重要である。ニュージーランドやチリなどの植物衛生上の規制では、ウイルスを含まないため、種子の大量生産が義務付けられている。
症状は無生物的なストレスに類似するため、ビジュアル・スカウトは信頼できないが、酵素免疫測定法(ELISA)は正確だが高価で、労働集約的で、拡張が困難である。
無人航空機システム(UAS)マルチスペクトル画像を用いた植物レベルのWSMV検出のための自動パイプラインを提案する。
このフレームワークは、7チャンネル入力(5つのスペクトルバンド、NDVI、NDRE)を持つビジョントランスフォーマーを用いて、オルソモザイク再構築、地理空間アライメント、植物抽出、分類を統合する。
治療ベースのラベルを使用して、複数の成長段階にわたる6500以上のテストパッチに対して89%の精度を達成した。
しかし,ELISAをベースとした地上の真理からラベルノイズが顕著であり,接種されたプロット中のサンプル植物はごくわずかであった。
したがって, 治療ラベルは感染状況を確実に表現するものではなく, 高い精度は疾患検出よりもラベルバイアスによって引き起こされた。
植物レベルのELISAラベルと行レベルの症状重症度に対して, 性能は著しく低下した。
深層学習と古典的機械学習はともに, ELISAで確認されたモック接種植物と感染植物の間で, 限定的な一般化と弱い分離性を示した。
これらの結果から,UASによる病原体検出はラベルの忠実度とデータ可用性に制約され,実環境に適合した生物学的基盤ラベルやモデルが強調された。
関連論文リスト
- Biologically Informed Representation Learning for Robust Cross-Center Generalization of MALDI-TOF Mass Spectrometry [40.562067521084394]
本稿では,生物学的に構造化された潜在表現を学習する確率的表現学習フレームワークであるDALMAを紹介する。
DALMAは2つの臨床センターで最先端のゼロショット微生物識別を一貫して達成している。
これらの結果は, 生体情報を用いた表現学習が, 臨床微生物学における堅牢かつ伝達可能なMLに有効な戦略であることを示している。
論文 参考訳（メタデータ） (2026-08-08T15:19:53Z) - Few-Shot Hyperspectral Aphid Detection via FastGAN Synthetic Data Generation, Transformer-Based Classification and Explainable AI [0.0]
FastGANは、健康およびアフィドに感染したサンプルを含むファバ豆葉の超スペクトルSIDデータセットを増強するために用いられた。
訓練された発電機は1万枚の合成画像を作成し、実際の試料の構造とスペクトル特性を保存した。
論文 参考訳（メタデータ） (2026-06-19T09:45:54Z) - Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。
ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。
MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
論文 参考訳（メタデータ） (2026-06-16T16:22:42Z) - Learning to Synergize Semantic and Geometric Priors for Limited-Data Wheat Disease Segmentation [51.06355116973389]
本研究では,小麦病のセグメンテーションを病種特異的な意味認識と疾患境界の局所化の複合的課題として扱う枠組みを提案する。
我々の中核的な洞察は、事前訓練されたDINOv2は、出現シフトを処理するために、堅牢なカテゴリ認識セマンティックスを提供します。
SGPer は,コムギ病と臓器分画のベンチマークにおいて,常に最先端のパフォーマンスを達成している。
論文 参考訳（メタデータ） (2026-04-07T04:19:39Z) - AgriPath: A Systematic Exploration of Architectural Trade-offs for Crop Disease Classification [45.52399819498234]
本研究は、細粒度作物病分類のための3つのモデルパラダイムの体系的比較を示す。
我々は16の作物と41の病気にまたがる111kの画像を含むベンチマークであるAgriPath-LF16を紹介する。
CNNは画像の精度が最も高いが、ドメインシフトによって劣化する。
対照的なVLMは、競合するクロスドメイン性能を持つ堅牢でパラメータ効率の良い代替手段を提供する。
論文 参考訳（メタデータ） (2026-03-08T17:28:01Z) - Med-Evo: Test-time Self-evolution for Medical Multimodal Large Language Models [43.46006663176283]
我々は,ラベル付きデータの追加を必要とせずに,ラベルなし強化学習を利用してモデル性能を向上させる医療MLLMのためのフレームワークであるMed-Evoを提案する。
我々のフレームワークは、2つの重要なイノベーションを紹介している: 1)$ Feature-driven Pseudo Labeling (FPL)は、すべての不均一な候補応答からセマンティックセントロイドを識別し、各ロールアウトで擬似ラベルを選択する。
論文 参考訳（メタデータ） (2026-03-08T03:38:24Z) - AI-driven Web Application for Early Detection of Sudden Death Syndrome (SDS) in Soybean Leaves Using Hyperspectral Images and Genetic Algorithm [0.6871062584292211]
Fusarium virguliformeによって引き起こされた突然死症候群(SDS)はダイズ生産に重大な脅威をもたらす。
本研究では,ダイズ葉のSDSの早期検出にハイパースペクトル画像を用いたAIによるWebアプリケーションを提案する。
論文 参考訳（メタデータ） (2025-07-03T22:20:47Z) - An efficient plant disease detection using transfer learning approach [0.0]
植物病は農業と農業に重大な課題をもたらす。
本研究では,移動学習手法を用いて植物病の同定とモニタリングを行うシステムを提案する。
このシステムは、Powdery Mildew、Angular Leaf Spot、Early blight、トマトモザイクウイルスなどの細菌、真菌、ウイルス病の存在を正確に検出することができる。
論文 参考訳（メタデータ） (2025-06-28T13:47:27Z) - Smartphone-integrated RPA-CRISPR-Cas12a Detection System with Microneedle Sampling for Point-of-Care Diagnosis of Potato Late Blight in Early Stage [3.848649773160473]
ポテト・ラテライト(Potato late blight)は、オオマイセト病原体であるフィトフォソーラ(Phytophthora infestans)によって引き起こされた、ジャガイモの作物に最も被害を与える病気の1つである。
植物病に対する可搬型RPA-CRISPRによる診断システムについて報告する。
システムは、特殊な機器に大きく依存する従来の方法の限界を解き放ちます。
論文 参考訳（メタデータ） (2025-06-10T13:43:36Z) - Monitoring digestate application on agricultural crops using Sentinel-2 Satellite imagery [1.2670268797931266]
本研究は,土壌の肥大化を図り,環境リスクを生じさせる光学式Sentinel-2衛星画像による消化処理の検出について検討した。
最初の例では、特定の指標(EOMI、NDVI、EVI)のSentinel-2衛星画像時系列(SITS)分析を用いて、EOMのスペクトル挙動を特徴づけた。
機械学習(ML)モデルは消化の有無を調査するために用いられ、F1スコアは最大0.85まで達成された。
論文 参考訳（メタデータ） (2025-04-28T17:16:40Z) - Evaluation of the potential of Near Infrared Hyperspectral Imaging for
monitoring the invasive brown marmorated stink bug [53.682955739083056]
BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。
本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
論文 参考訳（メタデータ） (2023-01-19T11:37:20Z)
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。