論文の概要: An Efficient Approach to Beetle Damage Detection of Banana Using Deep Learning

• arxiv url: http://arxiv.org/abs/2610.23661v1
• Date: Fri, 16 Oct 2026 15:55:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.999046
• Title: An Efficient Approach to Beetle Damage Detection of Banana Using Deep Learning
• Title（参考訳）: 深層学習によるバナナのカブトムシ被害検出
• Abstract要約: 本研究では,個々のバナナを探索するためのYOLOv8n深層学習モデルに基づく軽量フレームワークを提案する。 このモデルは特定の甲虫種や生物学的原因を特定しない。 その結果、YOLOv8nは、例レベルのバナナ表面検査のためのコンパクトなベースラインとしてサポートされた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visible surface damage of banana fruits by Basilepta subcostata (the banana fruit scarring beetle) can reduce their market value. Here, manual inspection of Banana fruits is subjective and difficult to scale. This study presents a lightweight framework based on YOLOv8n deep learning model for locating individual bananas and classifying their visible surface condition as healthy or unhealthy. The term beetle damage in the paper title is used operationally for the locally observed scar-like surface condition; the model does not identify a specific beetle species or biological cause. A custom dataset of 2,473 images containing 5,827 annotated banana instances was prepared from local-market imagery in Bangladesh. The reported experiment used an 80/20 protocol with 1,982 training images and 491 test images. A pretrained YOLOv8n model was trained at 640x640 resolution for 50 epochs with a batch size of 4. On the test partition, it achieved 81.36% precision, 74.30% recall, 77.67% F1-score, 87.04% mAP@0.50 and 59.33% mAP@0.50:0.95. A YOLOv8s comparison gave slightly lower F1 and mAP while using a substantially larger checkpoint. The YOLOv8n checkpoint occupied 5.96 MB and required 6.54 ms/image for inference on an NVIDIA Tesla T4. The results support YOLOv8n as a compact baseline for instance-level banana surface inspection within the studied acquisition conditions.
• Abstract（参考訳）: Basilepta subcostataによるバナナ果実の可視的表面損傷は市場価値を低下させる。 ここでは、バナナ果実の手動検査は主観的で、スケールが難しい。 本研究では,個々のバナナを探索し,その可視表面状態を健康的・不健康と分類するための,YOLOv8n深層学習モデルに基づく軽量フレームワークを提案する。 紙のタイトルの「ビートル損傷」という用語は、局所的に観察された傷痕のような表面状態に対して運用的に使用されるが、このモデルでは特定のビートル種や生物学的原因を特定できない。 バングラデシュの地域市場イメージから,5,827個のバナナインスタンスを含む2,473枚のカスタムデータセットを作成した。 報告された実験では、トレーニング画像1,982枚とテスト画像491枚を備えた80/20プロトコルを使用した。 プレトレーニングされたYOLOv8nモデルは640x640の解像度で50エポックのバッチサイズ4。 テストパーティションでは81.36%の精度、74.30%のリコール、77.67%のF1スコア、87.04%のmAP@0.50、59.33%のmAP@0.50:0.95を達成した。 YOLOv8sの比較ではF1とmAPはやや低いが、チェックポイントはかなり大きい。 YOLOv8nのチェックポイントは5.96MBを占め、NVIDIA Tesla T4での推測には6.54ms/imageが必要だった。 その結果, YOLOv8nは, 取得条件下でのバナナ表面検査のコンパクトなベースラインとしてサポートされた。

関連論文リスト

• Detection of Potato Plant Leaf Diseases using Convolutional Neural Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2026-10-14T17:36:33Z)
• Can Edge-Deployable Vision-Language Models Identify Species? [18.320559966271237]
  カメラトラップはしばしばエッジハードウェア上で、接続性に制限または全くないフィールドで実行され、小型でローカルにデプロイ可能な視覚言語モデル(VLM)が、種識別を評価するための実用的なクラスとなっている。 この展開関連2--8B範囲のモデルが真に分類学的な知識を持っているかどうかを検証した。
  論文  参考訳（メタデータ） (2026-09-10T17:57:32Z)
• BananaVLM: A Domain-Adapted Vision Language Model for Banana Crop Disease Diagnosis [0.0]
  BananaVLMはLLaVA-v1.5-7Bをベースとしたバナナ病診断のためのドメイン適応型視覚言語モデルである。 BananaInstructは、生の病気画像を$approx$80,000の質問対に変換する自動パイプラインである。
  論文  参考訳（メタデータ） (2026-08-27T13:28:21Z)
• A Novel Public Dataset for Strawberry (Fragaria x ananassa) Ripeness Detection and Comparative Evaluation of YOLO-Based Models [0.0]
  本研究では,566枚の画像と1,201枚のラベル付きオブジェクトからなるイチゴ熟成データセットを提案する。 最高精度はYOLOv8cモデルで90.94%、最高リコール値はYOLO11sモデルで83.74%であった。 その結果,このタイプのデータセットでは,小型モデルと中型モデルの方がバランスが良く,効率的に動作することがわかった。
  論文  参考訳（メタデータ） (2026-02-17T15:30:31Z)
• Poisoning Attacks on LLMs Require a Near-constant Number of Poison Samples [81.67041843907371]
  この研究は、データセットのサイズに関わらず、毒殺攻撃がほぼ一定数のドキュメントを必要とすることを初めて実証した。 250の有毒なドキュメントも同様に、すべてのモデルとデータセットサイズにわたってモデルを妥協している。 以上の結果から,データ中毒によるバックドア注入は,従来考えられていたよりも大型モデルの方が容易である可能性が示唆された。
  論文  参考訳（メタデータ） (2025-10-08T16:25:05Z)
• Causal Understanding by LLMs: The Role of Uncertainty [43.87879175532034]
  近年の論文では、LLMは因果関係分類においてほぼランダムな精度を達成している。 因果的事例への事前曝露が因果的理解を改善するか否かを検討する。
  論文  参考訳（メタデータ） (2025-09-24T13:06:35Z)
• Weakly Supervised Panoptic Segmentation for Defect-Based Grading of Fresh Produce [0.0]
  農業用サプライチェーンの欠陥の検査は極めて重要であるが、伝統的に労働集約的であり、エラーを起こしやすい。 スパースアノテーションから高密度の汎視的セグメンテーションマスクを生成するために,セグメンテーションモデルを評価することで,この問題に対処する。 提案手法は, パン光学マスクの欠陥数と相対サイズを実用的に推定するものである。
  論文  参考訳（メタデータ） (2024-11-25T09:28:58Z)
• PND-Net: Plant Nutrition Deficiency and Disease Classification using Graph Convolutional Network [18.778641229886393]
  本稿では,グラフ畳み込みネットワーク(GNN)を用いた植物栄養障害と疾患分類の新しい深層学習法を提案する。 The proposed method, called Plant Nutrition Deficiency and Disease Network (PND-Net) was evaluate on two public datasets for nutrition deficiency, and two for disease classification using four CNNs。
  論文  参考訳（メタデータ） (2024-10-16T17:01:28Z)
• Distributionally Robust Classification on a Data Budget [26.69877485937123]
  2.4万の画像サンプル上でのクロスエントロピー損失でトレーニングされた標準ResNet-50は、4億の画像サンプルでトレーニングされたCLIP ResNet-50と同等の堅牢性を達成できることを示す。 これは、限られたデータ予算に対して(ほぼ)最先端の分散ロバスト性を示す最初の結果である。
  論文  参考訳（メタデータ） (2023-08-07T15:30:02Z)
• Apple Counting using Convolutional Neural Networks [22.504279159923765]
  果樹園のような現実の環境でのイメージから、正確で信頼性の高い果実や野菜の数を推定することは、難しい問題である。 コンボリューショナルニューラルネットワークを訓練することにより,画像から果実を数えることを多クラス分類問題として定式化し,その問題を解決する。 当社のネットワークは、最大94%の精度で、4つのデータセットのうち3つでパフォーマンスを向上しています。
  論文  参考訳（メタデータ） (2022-08-24T14:13:40Z)
• Mobile-Based Deep Learning Models for Banana Diseases Detection [0.0]
  タンザニアの小規模農家は、バナナの病気を早期に検出するための道具が不足していることに異議を唱えている。 本研究の目的は,深層学習を用いたフサリウム・ウィットレース1およびブラックシガトカバナナ病の早期発見のためのモバイルアプリケーションの開発である。
  論文  参考訳（メタデータ） (2020-04-07T21:17:45Z)

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。