論文の概要: A Data-Centric Review of Plant Disease Datasets: Taxonomy, Critical Analysis, Environmental Variability, and Implications for Precision Agriculture

• arxiv url: http://arxiv.org/abs/2610.07087v1
• Date: Mon, 05 Oct 2026 12:34:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.547171
• Title: A Data-Centric Review of Plant Disease Datasets: Taxonomy, Critical Analysis, Environmental Variability, and Implications for Precision Agriculture
• Title（参考訳）: 植物病データセットのデータ中心レビュー:分類学、臨界分析、環境変数および精密農業への意味
• Abstract要約: 植物病の検出における視覚的および深層学習アプローチの解析について概説する。 取得設定、アクセシビリティ、植物多様性、疾患構成、クラス構造、不均衡度に基づく分類を確立している。 レビューでは、データセットの構築、環境変動性、構造的不均衡、標準化、マルチモーダル病のモニタリングに関する重要な課題、研究ギャップ、今後の方向性を明らかにしている。
• 参考スコア（独自算出の注目度）: 0.3823356975862005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite rapid advances in artificial intelligence, reliable real-world plant disease detection remains a persistent challenge. Visual and deep learning approaches have shown promising results, but their deployment under field conditions remains limited. A key bottleneck is the reliance on laboratory-generated datasets that lack environmental diversity, realistic backgrounds, and balanced class distributions, resulting in poor generalization. In contrast, datasets collected directly from agricultural environments capture natural variability and better reflect challenges faced by farmers across regions. This review presents a critical analysis of visual and deep learning approaches for plant disease detection, with emphasis on plant disease datasets. It establishes a taxonomy based on acquisition setting, accessibility, plant diversity, disease composition, class structure, and imbalance severity, and examines their implications for model generalization and real-world deployment. A comparative analysis of laboratory and real-field datasets identifies critical gaps that hinder disease detection. The review further analyzes how multi-level dataset imbalance, including intra-class, inter-crop, and cross-dataset imbalance, and limited environmental variability affect model performance and robustness, an area insufficiently examined in existing surveys. Beyond image-based approaches, it highlights the importance of integrating environmental parameters such as temperature, humidity, and leaf wetness with image data to improve prediction under dynamic field conditions. Finally, the review identifies key challenges, research gaps, and future directions concerning dataset construction, environmental variability, structural imbalance, standardization, and multimodal disease monitoring. It provides a foundation for developing next-generation multimodal frameworks for precision agriculture.
• Abstract（参考訳）: 人工知能の急速な進歩にもかかわらず、信頼性の高い現実世界の植物病検出は依然として永続的な課題である。 ビジュアルとディープラーニングのアプローチは有望な結果を示しているが、フィールド条件下でのデプロイメントは限定的だ。 主なボトルネックは、環境の多様性、現実的な背景、バランスの取れたクラス分布に欠ける実験室生成データセットへの依存であり、結果として一般化は不十分である。 対照的に、農業環境から直接収集されたデータセットは、自然の多様性を捉え、地域を越えて農家が直面している課題を反映している。 本総説では, 植物疾患検出のための視覚的, 深層学習的アプローチについて, 植物病データセットを中心に批判的分析を行った。 取得設定、アクセシビリティ、植物多様性、疾患構成、クラス構造、不均衡度に基づく分類を確立し、モデル一般化と実世界の展開に対するそれらの影響について検討する。 実験室と実フィールドのデータセットの比較分析は、疾患検出を妨げる重要なギャップを特定する。 さらに, クラス内, クラスタ間, データセット間の不均衡, 環境変動がモデル性能とロバスト性に与える影響について検討した。 画像に基づくアプローチ以外にも、動的場条件下での予測を改善するために、温度、湿度、葉の湿気といった環境パラメータを画像データと統合することの重要性を強調している。 最後に、データセットの構築、環境変動性、構造的不均衡、標準化、マルチモーダル病モニタリングに関する重要な課題、研究ギャップ、今後の方向性を明らかにする。 それは、精密農業のための次世代のマルチモーダルフレームワークを開発する基盤を提供する。

関連論文リスト

• XAI and Few-shot-based Hybrid Classification Model for Plant Leaf Disease Prognosis [8.399688944263843]
  このフレームワークは、実世界のデータ制約のある農業病モニタリングアプリケーションに有望なソリューションを提供する。 このモデルは高い精度、精度、リコール、F1スコアを連続的に達成し、様々な疾患の段階では92%を超えることがよくある。
  論文  参考訳（メタデータ） (2026-03-03T13:29:35Z)
• Rethinking Plant Disease Diagnosis: Bridging the Academic-Practical Gap with Vision Transformers and Zero-Shot Learning [2.3536628395905974]
  注意に基づくアーキテクチャとゼロショット学習アプローチが、キュレートされた学術データセットと現実世界の農業環境とのギャップを埋めるかどうかを検討する。 CNN(Convolutional Neural Networks)、ビジョントランスフォーマー(Vision Transformers)、およびCLIP(Contrastive Language- Image Pre-training)ベースのゼロショットモデルである。
  論文  参考訳（メタデータ） (2025-11-24T11:08:01Z)
• AI in Agriculture: A Survey of Deep Learning Techniques for Crops, Fisheries and Livestock [77.95897723270453]
  作物、漁業、家畜が世界の食料生産のバックボーンを形成し、成長を続ける世界の人口を養うのに不可欠である。 これらの問題に対処するには、効率的で正確でスケーラブルな技術ソリューションが必要であり、人工知能(AI)の重要性を強調している。 本調査では,従来の機械学習アプローチ,高度なディープラーニング技術,最新のビジョン言語基礎モデルなど,200以上の研究成果を体系的かつ徹底的にレビューする。
  論文  参考訳（メタデータ） (2025-07-29T17:59:48Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• Self-supervised transformer-based pre-training method with General Plant Infection dataset [3.969851116372513]
  本研究では、コントラスト学習とマスクド画像モデリング(MIM)を組み合わせた高度なネットワークアーキテクチャを提案する。 提案するネットワークアーキテクチャは,植物害虫や病原体認識タスクに対処し,優れた検出精度を実現する。 私たちのコードとデータセットは、植物害虫の研究と病気の認識を促進するために公開されます。
  論文  参考訳（メタデータ） (2024-07-20T15:48:35Z)
• 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)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)

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。