論文の概要: Precision Cotton Disease Management: Leveraging UAV Imagery and Custom YOLO Deep Learning Framework for Enhanced Detection

• arxiv url: http://arxiv.org/abs/2610.24182v1
• Date: Fri, 16 Oct 2026 19:58:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 10:22:50.718613
• Title: Precision Cotton Disease Management: Leveraging UAV Imagery and Custom YOLO Deep Learning Framework for Enhanced Detection
• Title（参考訳）: 精度コットン病管理:UAV画像とカスタムYOLOディープラーニングフレームワークの応用
• Abstract要約: 綿の収量損失は、依然としてウイルス、細菌、真菌の病気によるもので、手動のフィールド・スカウトまで検出されていない。 既存のモデルは、低い初期精度、低い転送性、高い計算コストに悩まされている。 我々は,3つの軽量アーキテクチャ革新を相乗化するための,完全な畳み込み単一ステージ検出器であるCotton-Visionを提案する。
• 参考スコア（独自算出の注目度）: 0.07902237823647139
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cotton sustains the textile economies of over 80 countries with an annual yield of 113 million bales, yet 30-60% of yield losses are still attributed to viral, bacterial, and fungal diseases that remain undetected until manual field scouting. To address this critical issue, the integration of Unmanned Aerial Vehicle (UAV) imagery with deep learning offers a scalable early-warning system; however, existing models suffer from low early-stage accuracy, poor transferability, and high computational cost. In this paper, we propose Cotton-Vision, a fully convolutional single-stage detector that synergizes three lightweight architectural innovations: Ghost Bottleneck modules for a 20% parameter reduction, Efficient Channel Attention (ECA) for adaptive feature recalibration, and Cross-Stage Partial (CSP) fusion for enriched gradient flow. The network is trained on a novel dataset collected across seven cotton fields in the Punjab province of Pakistan, comprising over 2,700 high-resolution drone images. Extensive data augmentation (rotation, shear, exposure, and saturation) expands the dataset to 11,704 training samples. On a held-out test set, Cotton-Vision achieves a precision of 97.7%, a recall of 77.7%, an mAP@50 of 85.6%, and an mAP@50-95 of 76.6%. These results represent a 10-20% improvement in precision, recall, and mAP over state-of-the-art baselines, including YOLOv5, YOLOv8, YOLOv11, YOLOv12, RT-DETR, and RF-DETR. Through a comprehensive ablation study, we demonstrate that each proposed architectural enhancement contributes to the model's superior performance, yielding a 12-16% mAP improvement over the baseline architecture. Our findings confirm that this synergy of lightweight and attention-based modules provides a robust, computationally viable solution for early cotton disease detection.
• Abstract（参考訳）: コットンは80か国以上の繊維経済を維持しており、年間収量は1億1300万バレルであるが、収穫損失の30-60%は依然としてウイルス、細菌、真菌病によるもので、手動のフィールド・スカウトまで検出されていない。 この重要な問題に対処するために、無人航空機(UAV)画像とディープラーニングの統合は、スケーラブルな早期警戒システムを提供するが、既存のモデルは、低い早期精度、低い転送性、高い計算コストに悩まされている。 本稿では,コットン・ヴィジョン(Cotton-Vision)を提案する。これは,20%のパラメータ削減のためのゴーストボトルネックモジュール,適応的特徴補正のための効率的なチャネルアテンション(ECA),リッチ勾配流のためのクロスステージ部分(CSP)融合という,3つの軽量アーキテクチャ革新を相乗化する,完全な畳み込み単一ステージ検出器である。 このネットワークは、パキスタンのパンジャブ州にある7つの綿花畑にまたがる新しいデータセットに基づいて訓練されている。 大規模なデータ拡張(回転、せん断、露出、飽和)は、データセットを11,704のトレーニングサンプルに拡張する。 ホールドアウトテストセットでは、Cotton-Visionは97.7%の精度、77.7%のリコール、85.6%のmAP@50、76.6%のmAP@50-95を達成している。 これらの結果は, YOLOv5, YOLOv8, YOLOv11, YOLOv12, RT-DETR, RF-DETRなどの最先端ベースラインに対する精度, リコール, mAPの10～20%の改善を示す。 包括的アブレーション研究により、提案したアーキテクチャ拡張がモデルの性能向上に寄与し、ベースラインアーキテクチャよりも12-16%のmAP改善をもたらすことを示した。 本研究は, この軽量・注目型モジュールの相乗効果が, 早期綿病検出のための堅牢で計算可能なソリューションであることを確認した。

関連論文リスト

• Robust Lightweight Deep Learning Models for Oral Cancer Screening [2.1173478851307252]
  口腔がんは低所得国における死亡率の主要な原因である。 スマートフォンを用いた口腔癌検診における軽度深層学習モデルの最適化について述べる。
  論文  参考訳（メタデータ） (2026-08-21T19:36:25Z)
• Reason, Reward, Refine: Step-Level Errors Corrections with Structured Feedback for Physics Reasoning in Small Language Models [32.7643564019866]
  我々は,最初の推論誤差を特定し,対象とする構造化されたフィードバックを生成し,KL正則化によるポリシー勾配による解の修正を行うステップレベルの報酬フレームワークを提案する。 5つの物理ベンチマークで、我々のフレームワークはCoTのプロンプトよりも17-20%、最強のベースラインより10-16%の精度向上を実現し、計算誤差を56.9%から23.5%に削減し、最良のケースでは22.3%から12.0%に低減した。
  論文  参考訳（メタデータ） (2026-07-06T15:16:10Z)
• Foundation Models to Unlock Real-World Evidence from Nationwide Medical Claims [31.673662680042337]
  管理的クレームは、医療利用、支出、診断、処置、医薬品の詳細なコーディングの経時的記録を提供する。 2008年から2022年にかけてのMarketScanの医療イベント438億件について、ゼロからトレーニングした生成トランスフォーマーReClaimを紹介します。
  論文  参考訳（メタデータ） (2026-05-04T15:38:31Z)
• Attention-ResUNet for Automated Fetal Head Segmentation [22.643964229988267]
  Attention-ResUNetは、残留学習とマルチスケールアテンションメカニズムを組み合わせた新しいアーキテクチャである。 提案手法は4つのデコーダレベルにアテンションゲートを統合し,背景雑音を抑えながら解剖学的に関連のある領域に選択的に焦点を合わせる。 ResUNet (99.26%)、Attention U-Net (98.79%)、Swin U-Net (98.60%)、Standard U-Net (98.58%)、U-Net++ (97.46%)の5つのベースラインアーキテクチャを著しく上回っている。
  論文  参考訳（メタデータ） (2026-04-20T12:11:21Z)
• iSight: Towards expert-AI co-assessment for improved immunohistochemistry staining interpretation [31.55467851797712]
  HPA10MはHuman Protein Atlasの10,495,672 IHC画像を含むデータセットである。 HPA10Mに基づいて、自動IHC染色評価のためのマルチタスク学習フレームワークiSightを訓練した。 iSightは位置の精度85.5%、強度76.6%、量75.7%を達成し、微調整された基礎モデルを上回った。
  論文  参考訳（メタデータ） (2026-02-03T22:49:08Z)
• Simultaneous Detection of LSD and FMD in Cattle Using Ensemble Deep Learning [0.0]
  ランピー皮膚病(LSD)とフット・アンド・ムート病(FMD)は牛に感染するウイルス性疾患である。 彼らの視覚的診断は、互いに重なり合う重要な症状と、昆虫の噛み込みや化学燃焼のような良質な状態によって複雑である。 そこで本研究では,VGG16,ResNet50,InceptionV3を併用したEnsemble Deep Learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-19T09:42:00Z)
• DAONet-YOLOv8: An Occlusion-Aware Dual-Attention Network for Tea Leaf Pest and Disease Detection [2.661320179262946]
  本報告では,茶葉害虫や病原体を正確に検出するための3つの改良点を有するYOLOv8変異体を提案する。 既存のNet-YOLOv8は92.97%の精度、92.80%のリコール、97.10%のmAP@50、76.90%のmAP@50:95を達成し、YOLOv8nベースラインをそれぞれ2.34、4.68、1.40、および1.80ポイント上回っている。
  論文  参考訳（メタデータ） (2025-11-28T14:28:30Z)
• YOLOv11-Litchi: Efficient Litchi Fruit Detection based on UAV-Captured Agricultural Imagery in Complex Orchard Environments [6.862722449907841]
  本稿では,UAVを用いたリッチ検出のための軽量で堅牢な検出モデルであるYOLOv11-Litchiを紹介する。 YOLOv11-Litchiのパラメータサイズは6.35MBで、YOLOv11ベースラインよりも32.5%小さい。 このモデルは57.2FPSのフレームレートを実現し、リアルタイム検出要求を満たす。
  論文  参考訳（メタデータ） (2025-10-11T09:44:00Z)
• Cott-ADNet: Lightweight Real-Time Cotton Boll and Flower Detection Under Field Conditions [2.924203615782323]
  Cott-ADNetは、複雑なフィールド条件下での綿棒や花の認識に適した軽量リアルタイム検出器である。 YOLOv11n上に構築されたCott-ADNetは、畳み込み設計の改善を通じて空間表現とロバスト性を向上させる。 実験の結果、Cott-ADNetは91.5%の精度、89.8%のリコール、93.3%のmAP50、71.3%のmAP、90.6%のF1スコアを達成した。
  論文  参考訳（メタデータ） (2025-09-15T20:50:03Z)
• Patch-Level Contrasting without Patch Correspondence for Accurate and Dense Contrastive Representation Learning [79.43940012723539]
  ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。 提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-23T07:38:09Z)

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。