論文の概要: Detection of Potato Plant Leaf Diseases using Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2610.20544v1
• Date: Wed, 14 Oct 2026 17:36:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.284389
• Title: Detection of Potato Plant Leaf Diseases using Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いたポテト植物葉病の検出
• Abstract要約: 本研究は,ジャガイモの葉を3つのカテゴリーに分類する,軽量畳み込みニューラルネットワーク(CNN)を開発した。 提案手法は,エチオピアのAwi Zoneにあるジャガイモ農場から収集した247枚の画像を含む独立フィールドデータセットを用いて,2,215枚の画像を用いて訓練を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Potato is an important food-security crop in Ethiopia, but its production is affected by foliar diseases, particularly early blight and late blight. This study develops a lightweight convolutional neural network (CNN) to classify potato leaves into three categories: healthy, early blight, and late blight. The proposed model was trained using 2,215 images from the PlantVillage dataset and evaluated on an independent field dataset containing 247 images collected from potato farms in Banja, Awi Zone, Ethiopia. On PlantVillage, the model achieved 99.04% training accuracy, 98.21% validation accuracy, and 98.66% test accuracy. On the field dataset, it achieved 90.28% accuracy. The study also compares the proposed CNN with VGG16 and MobileNetV2 in terms of classification performance and computational efficiency. The proposed model contains 446,787 trainable parameters, occupies approximately 1.70 MB, and requires an average of 5.58 seconds per training epoch in the reported experimental setup, compared with 9.96 seconds for VGG16 and 7.68 seconds for MobileNetV2. The results demonstrate the potential of a compact CNN for potato leaf disease classification and highlight the importance of independent field evaluation, where image conditions are more variable than in controlled benchmark datasets. The proposed approach may support preliminary disease identification for smallholder farmers in Ethiopia and similar agricultural settings.
• Abstract（参考訳）: ポタトはエチオピアで重要な食料安全保障作物であるが、その生産は葉病、特に早熟と晩熟の影響を受けている。 本研究は,ジャガイモの葉を3つのカテゴリーに分類する,軽量畳み込みニューラルネットワーク(CNN)を開発した。 提案手法は,エチオピアのAwi Zoneにあるジャガイモ農場から収集した247枚の画像を含む独立フィールドデータセットを用いて,2,215枚の画像を用いて訓練を行った。 PlantVillageでは、99.04%のトレーニング精度、98.21%の検証精度、98.66%のテスト精度を達成した。 フィールドデータセットでは、90.28%の精度を達成した。 また,提案したCNNとVGG16とMobileNetV2を比較し,分類性能と計算効率を比較検討した。 提案したモデルは446,787個のトレーニング可能なパラメータを含み、約1.70MBを占有し、報告された実験装置では平均5.58秒のトレーニングエポックを必要とする。 その結果、ジャガイモ葉病分類のためのコンパクトCNNの可能性を示し、制御されたベンチマークデータセットよりも画像条件が変化しやすい独立フィールド評価の重要性を強調した。 提案手法は,エチオピアの小規模農家や同様の農業環境において,予備的な病原体同定を支援する可能性がある。

関連論文リスト

• A Compact and Efficient 1.251 Million Parameter Machine Learning CNN Model PD36-C for Plant Disease Detection: A Case Study [0.0]
  深層学習は画像に基づく植物病の診断を著しく進歩させてきた。 本稿では,植物病の分類のための小型畳み込みニューラルネットワークPD36Cを提案する。 PD36 Cは堅牢性とエッジのデプロイ性のために設計されている。
  論文  参考訳（メタデータ） (2026-04-13T11:33:24Z)
• Automated Plant Disease and Pest Detection System Using Hybrid Lightweight CNN-MobileViT Models for Diagnosis of Indigenous Crops [0.0]
  農業はエチオピアのティグレイ地域の人口の80%以上を支えている。 インフラ破壊は 専門の作物病診断へのアクセスを制限する 本稿では,新たにキュレートされたサボテンフィグデータセットを中心に,オフラインファースト検出システムを提案する。
  論文  参考訳（メタデータ） (2025-12-06T06:24:46Z)
• 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)
• On the Image-Based Detection of Tomato and Corn leaves Diseases : An in-depth comparative experiments [0.0]
  本研究は、植物画像分類のための畳み込みニューラルネットワーク(CNN)に基づく、新しい植物病検出モデルを提案する。 このモデルは2つの異なる植物病を4つのカテゴリに分類し、植物病の同定のための新しいテクニックを提示する。
  論文  参考訳（メタデータ） (2023-12-14T05:11:30Z)
• Potato Leaf Disease Classification using Deep Learning: A Convolutional Neural Network Approach [0.0]
  コンボリューショナルニューラルネットワーク(CNN)は、ジャガイモの葉の病気を分類するために用いられる。 CNNモデルは、全体的な精度99.1%であり、2種類のジャガイモの葉の病気を同定するのに非常に正確である。
  論文  参考訳（メタデータ） (2023-11-04T07:16:37Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)

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。