研究記事

水田葉病分類のための転移学習とUNetセグメンテーションは、技術者以外のユーザー向けのユーザーフレンドリーなインターフェースを備えたソリューションです

DOI：

10.3791/68861

⸱

2025年10月24日

 , 
1Department of Computer Science and Engineering, Faculty of Engineering and Technology, Annamalai University, 2Department of Computer Science and Engineering, Annamalai University

この記事について

サマリー

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

このプロトコルは、水田の葉の病気を分類するための画像ベースの深層学習パイプラインの概要を示しています。UNet ベースのセグメンテーション モデルと転移学習モデルを組み合わせて、精度を高めます。このアプローチは自動病気検出をサポートし、実用的な展開のためのユーザー インターフェイスを含み、専門家でなくても水田作物の問題を特定するのに役立ちます。

要約

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

水田は世界中の何十億人もの人々を支える重要な食用作物であり、水田栽培は多くの国の経済的安定に不可欠であり、特にアジア全体の農業コミュニティの収入と雇用に大きく貢献しています。水田栽培は、その重要性にもかかわらず、ツングロ、鞘枯病 (SB)、水田ヒスパ (PH)、ネック ブラスト病 (NB)、狭い褐色斑病 (NBS)、葉やけど (LS)、葉芽病 (LB)、褐斑病 (BS)、細菌性葉枯病 (BLB) などのさまざまな葉病によって妨げられており、これらはすべて収量と穀物の品質に悪影響を及ぼします。これらの問題に対処するために、本研究では、転移学習に基づくカスタマイズされた深層学習アプローチを提案します。6 つの異なるモデルが評価され、カスタマイズされた DenseNet-121 モデルが最高のパフォーマンスを発揮し、精度 0.98、精度 0.97、再現率 0.96 を達成しました。モデルのパフォーマンスを向上させるために、UNetモデルを使用して画像セグメンテーションを実行し、セグメント化された画像データセットを作成することで精度が大幅に向上しました。6つのモデルは、2つのデータセットでテストされ、1つはセグメント化された画像を含む、もう1つはセグメント化されていない画像を含むもので、どちらもPaddy Leaf Diseases Detection Datasetから派生したものです。さらに、技術的な背景を持たないユーザーがモデルを簡単に操作し、水田の葉の病気を特定できるように、シンプルで直感的なグラフィカル インターフェイスが開発されました。この統合ソリューションは、水田の葉の病気を分類するための信頼性が高くスケーラブルな方法を提供する深層学習の有効性を強調しています。

概要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

水田は世界の農業の基礎であり、何十億人もの人々を支え、多くの国、特にアジアの経済的根幹を形成しており、食料消費と生計の両方のかなりの部分を占めています1。しかし、水田の持続可能な生産は、さまざまな生物学的および環境的要因によりますます脅威にさらされており、葉の病気は最も重要な課題の一つとなっています。細菌性葉枯病、褐斑病、水田もち病などの病気 2,3 は、作物の収量を大幅に低下させ、穀物の品質を低下させ、農家に多大な経済的損失をもたらす可能性があります4。

これらの問題に対処するために、水田の葉病の分類は植物病理学において不可欠なツールとなっています5。このような病気を早期かつ正確に特定することで、タイムリーな介入が可能になり、感染の拡大と影響が軽減されます。従来、この作業は専門家による目視検査に依存しており、小規模な環境では効果的ですが、主観性、労働集約的、大規模な農業地域にわたる拡張性の制限などの制限がありました。

機械学習 (ML) とディープラーニング (DL) の最近の進歩により、植物の病気の検出と分類の方法が大きく変わりました。これらのテクノロジーは、感染した葉の高解像度画像を利用して、自動化され、スケーラブルで正確な病気の特定を可能にします。このような自動化により、一貫性が向上し、人的エラーが減り、農家のリアルタイムの意思決定がサポートされます6.

いくつかの現代研究では、農業診断を強化するための革新的なアプローチも検討されています。たとえば、circANKを介した防御抑制などのRNAレベルの研究は、水田の病気を理解する上で新しい生物学的道を切り開きました7、一方、水田の列検出のための2経路インスタンスセグメンテーションなどの視覚ベースのフレームワークは、精密農業におけるディープラーニングの有用性を示しています8。さらに、TMFF: Trustworthy Multi-Focus Fusion for multi-label classification in complex visual environments などの最近の研究では、現実世界の展開におけるハイブリッドで堅牢なDLモデルの重要性が高まっていることが強調されています9。

これらの開発に動機付けられて、この研究は、UNetベースのセグメンテーションと深層転移学習モデルを統合することにより、水田の葉病の分類を進歩させます。このアプローチは、罹患領域をより正確に分離し、効率的な事前トレーニング済みネットワークを使用して分類することを目的としています。この作業は、従来の手動方法の限界に対処し、セグメンテーションを通じてモデルの焦点を強化することで、分類パフォーマンスの向上、持続可能な農業慣行のサポート、食料安全保障システムの強化に貢献します10。

水田葉病分類の概要

水田は主食作物として比類のない重要性を持ち、世界人口の50%以上を養い、多くの発展途上国、特にアジアの主要な経済推進力として機能しています11。水田栽培は食料安全保障における役割を超えて、多くの地域の文化的および社会的慣習に深く組み込まれており、その持続的な生産が政府や農業関係者にとって優先事項となっています。しかし、水田生産には課題が山積しており、その中でも葉病は水田作物の生産性と品質の両方を危険にさらし続けています。細菌性葉枯病、褐斑病、水田もち病などの広範な問題は、大幅な収量損失の一因となり12、世界中の水田生産に影響を及ぼし、この主食に大きく依存する経済に負担をかけています。

葉病の分類は、タイムリーかつ効果的な病気対策の基礎を提供するため、現代の農業管理の重要な要素です。タイムリーな識別により、農家は病気の蔓延を抑制し、農薬を効率的に利用し、作物の重大な被害を回避することができます。従来、このプロセスは熟練した農業専門家による目視検査に依存していました。この方法は効果的ですが、労働集約的で時間がかかり、観察者のスキルレベルに大きく依存します。さらに、大規模な農業経営では、特に感染の初期段階で微妙な症状を特定するのが難しい場合、手動検査は実用的ではないことがよくあります13。

葉病分類のための自動システムの出現は、農業診断に革命をもたらしました14。これらのシステムは、イメージング技術とDLの進歩を活用して、スケーラブル15、効率的な16、高精度のソリューション17を提供します。画像処理 (IP) を ML および DL モデルと組み合わせることで、水田の葉の高解像度画像を処理して病気の症状を特定でき、多くの場合、精度と速度の点で従来の方法よりも優れています。これらのシステムは、分類プロセスを自動化することで、農家や農業専門家がデータに基づいた意思決定を行えるようにし、人間の専門知識への依存を軽減し、エラーのリスクを最小限に抑えます。

水田の葉病の分類は、生産性の向上と損失の削減を保証するだけでなく、持続可能な農業のより広範な目標にも貢献します。これらの技術は、病気18 の正確な特定を可能にすることで、19 農薬の使用を最適化するのに役立ち、環境への影響を最小限に抑え、環境に優しい20 農法を促進します。さらに、これらのシステムをモバイル アプリケーションやリモート センシング ツールと統合することで、資源が限られた環境の小規模農家にもその範囲が拡大し、農業の進歩における包括性と公平性が促進されます21。

世界的な作物としての水田の重要性は、葉病分類のための堅牢で信頼性が高く、アクセスしやすい方法の必要性を強調しています22。これらの技術の導入を通じて、農業部門は最も差し迫った課題の 1 つに対処し、需要の増大や環境制約に直面しても水田生産の回復力と持続可能性を確保できます。

モデリング手法

水田の葉の病気を分類するために提案された方法は、精度と有効性の両方を向上させるためにさまざまな高度な技術を統合しています。

画像セグメンテーション:最初のステップでは、葉の画像をセグメント化して、葉の領域を背景から分離します。このステップは、画像の不要な部分23,24 を削除することで計算の複雑さを軽減し、関連するパターンへの焦点を改善し、精度の向上につながります。

特徴抽出: 特徴はセグメント化された画像から抽出され、疾患の症状に関する重要な詳細をキャプチャします25。これらの特徴は分類モデルの基礎を形成し、健康な葉と病気の葉を効率的に区別することができます。

転移学習: 転移学習は、事前トレーニングされたモデルからの知識を活用するために利用され、新しいデータセットでの広範なトレーニングの必要性を大幅に最小限に抑えます。このアプローチにより、高い精度と効率を維持しながら開発プロセスが加速されます26。

エンドツーエンドの分類モデル:特徴抽出のみに転移学習を使用する従来の方法とは異なり、提案された方法論にはエンドツーエンドの分類フレームワークが組み込まれています。この総合的なアプローチにより、特徴抽出と分類27,28 がシームレスなパイプラインに統合され、最適なパフォーマンスが保証されます。

評価指標: モデルのパフォーマンスを分析するためにいくつかの評価指標が適用され29、その精度、精度、再現率、および全体的な効率に関する詳細な情報が提供されます。この包括的な分析は、モデルの信頼性と適合性を効果的に判断するのに役立ちます。

研究ギャップ

大きな進歩にもかかわらず、葉病分類の領域にはさまざまな課題と限界が残っています。

手作業による葉病の特定は、この分野の専門家に大きく依存しているため、主観的で一貫性がありません。豊富なドメイン知識があっても、手動アプローチにおける人的ミスは、重大な作物の損失につながる可能性があります。

手動の方法は労働集約的であり、24時間機能することはできないため、大規模または継続的な監視には実用的ではありません。

葉病の分類に関する研究は広範囲に及んでいますが、特に水田の葉病の分類に焦点を当てた研究は非常に限られています。

これまでの研究30では、水田の葉病を分類するための転移学習の使用が一般的に無視されてきました。

既存のモデルは、さまざまな環境条件や疾患の変異にわたる一般化可能性を欠いていることが多く、実用的な有用性が制限されています31。

現在の研究で使用されているデータセットは、多くの場合小さく、多様性に欠けているため、より広範な適用性が妨げられています32。

これらのギャップに対処することで、この研究は革新的な技術と堅牢な方法論を通じて水田の葉病分類の分野を進歩させることを目的としています。

この研究の主な貢献

この研究は、水田の葉病を分類するためのカスタマイズされた深層学習ベースの方法を作成および評価することにより、これらのギャップを埋めることを目指しています。主な貢献は次のとおりです。

転移学習を利用して事前学習済みモデルの重みを活用することで、より少ない学習エポックで高い精度を達成できます。

トレーニング エポックが少ないほど高い計算能力の必要性が減り、計算リソースが限られているユーザーでもこの方法にアクセスできることを実証します。

セグメンテーション、特徴抽出、分類を統合したエンドツーエンドの分類モデルを開発し、包括的なソリューションを提供します。

データセグメンテーションやその他の手法を採用して、多様なデータセットにわたるモデルの一般化可能性を高めます。

オープンチャレンジ

この研究で達成された有望な結果にもかかわらず、未解決の課題が残っています。これらの課題には、さまざまな環境条件35および疾患タイプにわたるモデルの堅牢性33および適応性34を強化するための、より大規模で多様なデータセットの必要性、予測精度を高めるためのマルチモーダルデータの組み込み、およびフィールド条件でリアルタイムで使用するためのモデルの展開が含まれます。さらに、計算効率とモデルのパフォーマンスのバランスを達成することは、特に農村部や資源の乏しい地域において、エンドユーザーのアクセシビリティを確保するために非常に重要です。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

データセットの説明

この研究で使用したデータセットは、Paddy Leaf Diseases Detection Datasetというタイトルの公開されているKaggleリポジトリから取得されました。これは、10の病気クラスと1つの健康クラスに分類された18,545枚の水田の葉の画像で構成されています。画像は解像度が異なり、さまざまな照明や環境条件下で撮影されました。

画像の前処理

すべての画像は、TensorFlow の tf.image.resize() 関数を使用して 224 x 224 ピクセルにサイズ変更されました。この均一性により、事前トレーニング済みのCNNモデルの入力要件との互換性が保証されます。ピクセル値は、Keras ImageDataGeneratorのrescale=1./255パラメータを使用して[0,1]の範囲に正規化されました。拡張 (トレーニングのみ): ImageDataGenerator を使用して、水平および垂直の反転、回転 (± 20°)、ズーム (最大 20%) などの手法を適用し、一般化を改善しました。

画像セグメンテーション

UNetモデルは、背景の乱雑さから病気の葉の領域を分離するための画像セグメンテーションに使用されました。UNetアーキテクチャは、エンコーダー/デコーダーレイヤー、スキップ接続、ReLUアクティベーションを備えたKeras機能APIを使用して構築されました。セグメンテーションマスクは、ピクセル単位の乗算(cv2.bitwise_and)を使用して元の画像に適用され、関連する特徴のみを保持しました。

モデルのアーキテクチャとトレーニング

バックボーン分類器として使用されたモデルは、VGG16、ResNet50、InceptionV3、MobileNet、AlexNet、および DenseNet121 です。事前トレーニング済みモデル (ImageNet 上) は include_top=False でインポートされました。グローバル平均プーリング層、128個と64個のニューロンを持つ2つの高密度層(ReLU活性化)、ドロップアウト層(レート= 0.4)、および11個の出力とSoftmax活性化を持つ最終的な高密度層で構成されるカスタム分類ヘッドが追加されました。

実験的なセットアップ

すべての実験は、次の設定を使用して実施されました: プログラミング環境: Python 3.11.5 with TensorFlow and Keras, Execution Platform: Jupyter Notebook, Hardware: Intel Core i5-6300U, 8 GB RAM, Windows 11, Batch Size: 32, Epochs: 50, Optimizer: Adam, Learning Rate: 0.0001, Loss Function: Categorical Crossentropy, Activation Functions: ReLU for hidden layers, Softmax for the final output layer.

評価メトリック

精度、精度、再現率、および F1 スコアは、sklearn.metrics のclassification_reportを使用して計算されました。混同行列は、confusion_matrixとseaborn.heatmapを使用してプロットされました。パフォーマンスは、比較評価のために、セグメント化されていない画像と UNet セグメント化された画像の両方で評価されました。

GUI開発

シンプルなグラフィカルユーザーインターフェイスは、PythonのTkinterライブラリを使用して作成されました。ユーザーは GUI を使用してリーフ画像をアップロードし、トレーニングされたモデルに渡すことができます。予測された疾患クラスが、信頼度スコアとともに画面に表示されます。

データセットの作成

本研究で使用したデータセットは、Kaggle36の公開されているPaddy Leaf Diseases Detectionデータセットで、10の病種クラスと1つの健康なクラスに分類された合計18,545枚の水田の葉の高解像度画像で構成されています。画像はさまざまな照明条件と多様な環境設定でキャプチャされたため、データセットは非常に代表性が高く、堅牢な深層学習モデルの構築に適しています。データセットのサイズは約 8.33 GB で、Tungro、Sheath Blight (SB)、Paddy Hispa (PH)、Neck Blast (NB)、Narrow Brown Spot (NBS)、Leaf Burnd (LS)、Leaf Blast (LB)、Healthy, Brown Spot (BS)、Bacterial Leaf Blight (BLB) のクラスが含まれています。

再現性と効果的なモデル評価を確保するために、データセットはクラス分布を維持しながら、トレーニング (80%) とテスト (20%) のサブセットにランダムに分割されました。トレーニングセットはモデルのトレーニングに使用され、テストセットは目に見えないデータのパフォーマンス検証用に予約されました。評価は、精度、精度、再現率、F1 スコアなどの標準的な分類指標に基づいて行われ、各モデルの分類能力を包括的に評価しました。この研究では、VGG16、ResNet、InceptionV3、MobileNet、AlexNet、DenseNet121 の 6 つの深層学習モデルを比較し、DenseNet121 がタスクに最適なパフォーマンスを提供しました。

データ配布

疾患分類は、データセットでトレーニングされた深層学習モデルを使用して実行されました。データセットは、トレーニングセットとテストセットの2つのサブセットに分割されました。トレーニング セットはモデルをティーチングするために使用され、テスト セットはこれまで見たことのないデータでのパフォーマンスを評価するために使用されました。10の疾患カテゴリーと健康な葉のクラスにわたる画像分布の概要を 表1に示します。この表は、各疾患に関連する視覚症状の包括的な理解を提供し、分類モデルのトレーニングと評価を容易にします。

この分布により、トレーニング段階とテスト段階の両方で各疾患カテゴリーが公平に表現されることが保証されます。トレーニング セットには画像の大部分が含まれているため、モデルは各クラスの固有の特性を効果的に学習できます。このテスト セットは、画像のより小さなサブセットで構成され、モデルの精度と、目に見えない新しいデータに一般化する能力の信頼性の高い評価を保証します。

カテゴリ間で画像がバランスよく多様に分布することで、モデルが各疾患タイプに関連する固有のパターンを学習するのに十分なデータを確実に得られると同時に、特定のクラスへの過剰適合や偏りのリスクも軽減されます。このデータ分割は、堅牢で信頼性の高い分類結果を得るために不可欠です。

データクリーニング

前処理段階では、分類モデルの精度と効率を高めるためにデータのクリーニングが不可欠です。生の水田の葉の画像には、土壌、近くの植生、農具などの不要な背景要素が含まれていることが多く、ノイズが発生し、モデルの全体的なパフォーマンスが低下する可能性があります。

これに対処するために、セマンティックセグメンテーションタスク専用に設計されたよく知られた畳み込みニューラルネットワークアーキテクチャであるUNet37,38モデルを使用して画像セグメンテーションが実行されました。UNETモデルは、背景から葉の領域を高精度でセグメント化することができ、画像の関連する部分のみがさらなる処理のために保持されることを保証する39。セグメンテーションのプロセスを図1に示します。

UNetモデルによるセグメンテーションのプロセス(図2):データセットからの生画像がUNETモデルに供給されます。UNETモデルは、階層的な特徴を抽出するエンコーダーと、リーフ領域をセグメント化しながら画像を再構築するデコーダーで構成されています。モデルは、リーフ領域がマークされ、背景が削除されるバイナリマスクを出力します。セグメント化された画像は、形態学的操作を適用することによってさらに洗練され、滑らかなエッジを確保し、残留ノイズが除去されます(図3)。

UNetセグメンテーションの数学的定式化: UNetは、無関係な背景を抑制しながら、関心領域(ROI)、つまり病んだ葉の領域を強調表示するバイナリマスクへのマッピングを入力画像空間から学習することにより、セマンティックセグメンテーションを実行します。させる：

figure-protocol-1は、C=3 カラー チャンネルを持つサイズ H*W の入力 RGB 画像を示します。

figure-protocol-2は、トレーニングされたUNetモデルの出力であり、Mの各ピクセル値は、そのピクセルが病気の葉の領域に属する確率を表します。

最終的なバイナリセグメンテーションマスク figure-protocol-3

ここで、τ [0,1]はセグメンテーションしきい値です(通常は0.5に設定されます)。

セグメント化された画像 figure-protocol-4 は次のように計算されます。

figure-protocol-5

ここで、 figure-protocol-6 は要素ごとの乗算を示し、すべてのチャネルに空間的に適用されます。この操作により、ROI のピクセル値 ( figure-protocol-7) が保持され、背景ピクセル ( figure-protocol-8) がマスクされます。このセグメント化された出力は、分類モデル(DenseNet121など)への入力として渡され、ノイズの多い非情報の背景領域を無視して、疾患関連の特徴のみに焦点を当てることができるため、分類パフォーマンスとモデルの一般化が向上します。

この前処理ステップにより、次の段階の特徴抽出と分類がクリーンで関連データに対して実行されることが保証され、それによって水田の葉病分類モデルの全体的なパフォーマンスと信頼性が向上します。

転移学習

転移学習は、事前トレーニングされたニューラル ネットワークを利用して、新しい問題に取り組むため、モデルをゼロから構築する必要がなくなります。このアプローチは、以前のタスクから得た知識を活用し、効率的な学習を可能にします40.事前トレーニングされたモデルは、多くの場合、広範なデータセットで開発され、堅牢な特徴抽出機能を備えているため、特定のデータセットの微調整に適しています。これにより、トレーニング時間が短縮され、過学習が回避され、限られた計算リソースでも高い精度が得られます。

本研究では、転移学習を用いて、事前学習された様々な深層学習モデルを評価することで、水田の葉病を同定しました。実験で調査されたアーキテクチャには、VGG16、ResNet、InceptionV3、MobileNet、AlexNet、DenseNet121 が含まれます。これらの各モデルは、最初に ImageNet などの大規模なデータセットでトレーニングされ、事前トレーニングされた重みがこの作業で利用されました。モデルを分類タスクに適合させるために、次の変更が加えられました。

モデルの変更: 各モデルの元の完全接続(分類)レイヤーは、Kerasでのモデルインポート中にパラメーター include_top=Falseを使用して削除されました。これにより、事前学習済みの各モデルの畳み込みベース(特徴抽出器)のみが保持されるようになりました。最後の畳み込みブロックの出力は、Flatten()層を使用して1次元ベクトルに平坦化されました。

密な層: 3つの完全接続(密)層が、平坦化ステップの後に順次追加されました。これらの層は、Keras Dense()関数を使用して定義されました:最初の層は256個のニューロンとReLUの活性化、2番目の層は128個のニューロンとReLUの活性化、3番目の層は64個のニューロンとReLUの活性化です。レイヤー間にドロップアウトレイヤーも追加され、オーバーフィッティングが減りました。

出力層: 3つの完全接続(密)層が、平坦化ステップの後に順次追加されました。これらの層は、Keras Dense()関数を使用して定義されました:最初の層は256個のニューロンとReLUの活性化、2番目の層は128個のニューロンとReLUの活性化、3番目の層は64個のニューロンとReLUの活性化です。また、レイヤー間にドロップアウトレイヤー(レート0.4)を追加して、オーバーフィッティングを減らしました。

前処理、セグメンテーション、転移学習モデルの実装、評価など、方法論の全体的なパイプラインとフローを 図4に示します。この図は、この調査で従った手順の包括的な概要を示しています。転移学習を採用することで、トレーニング時間を最小限に抑え、ハイエンドの計算リソースへの依存を減らし、水田の葉病の分類において大幅なパフォーマンスの向上が達成されました。

葉病分類のための提案されたDenseNet121モデル

テストしたすべてのモデルの中で、DenseNet121 は水田の葉病の分類において最高のパフォーマンスを示し、驚くべき精度を達成しました。この最先端の深層学習モデルは、効率的な情報フローを促進し、機能の再利用を強化する革新的なアーキテクチャ40によって際立っています。

DenseNet121のアーキテクチャ: DenseNet121 は、各層が先行するすべての層から特徴マップにアクセスできる、密に接続された層によって特徴付けられます。この設計により、情報の流れが最適化され、冗長性が軽減され、モデルの全体的な効率が大幅に向上します。

アーキテクチャは、次の主要なコンポーネントで構成されています。

入力レイヤー: 標準化された処理のために 224 x 224 ピクセルにサイズ変更された画像を受信します。

初期畳み込み層: 7 x 7 の畳み込み演算とそれに続く最大プーリングを適用して、空間次元を縮小し、低レベル特徴を抽出します。

密なブロック: モデルには 4 つの密なブロックが含まれています。各ブロックは、密に接続されたいくつかの畳み込み層で構成されており、各層はブロック内の以前のすべての層の出力に直接アクセスできます。

遷移層: 高密度ブロックの間に配置されたこれらの層は、1 x 1 畳み込みを実行し、その後平均プーリングを実行して特徴次元を減らし、計算効率を向上させます。

グローバル平均プーリング (GAP): 完全接続レイヤーの前のフィーチャ マップの空間次元を縮小します。

全結合層: 分類用の出力ベクトルを生成します。

分類用のカスタムレイヤー: この研究では、デフォルトの完全接続層をカスタムアーキテクチャに置き換えました:フラット化層、3つの密な層(ReLU活性化を持つ256、128、および64のニューロン)、および二項分類用の最後のシグモイド活性化層。

DenseNet121 の特徴を再利用する機能とそのコンパクトなアーキテクチャは、水田の葉病データセットでの優れたパフォーマンスに大きく貢献しました。この効率性と、過剰適合を最小限に抑える機能と相まって、トレーニング データが限られているタスクに最適です。DenseNet121は、その特徴の再利用と勾配流の特性により、他のモデルよりも優れた精度と一般化を実現しました。ResNet や VGG16 などのモデルは優れたパフォーマンスを発揮しましたが、精度と計算効率の点では DenseNet121 がそれらを上回りました。

すべてのモデルで、ReLU活性化関数(式1に示すように)を利用して3つの完全接続(高密度)層が含まれ、マルチクラス分類を容易にするためにSoftMax活性化(式2)を備えた最終的な高密度層で最高潮に達しました。この適応により、各モデルはデータセット内の画像を分類しながら、事前トレーニングされた重みを効果的に利用できるようになりました。

ReLu f(x) = max(0, X) (1)

figure-protocol-9

ここで、 xi は SoftMax 関数への入力を表し、10 の水田の葉病害カテゴリにわたる分類用に調整されています。各モデルの独自のアーキテクチャとこのカスタマイズされた出力レイヤーを組み合わせることで、効果的な特徴抽出と正確な画像分類が可能になりました。

図5 は、DenseNet121のアーキテクチャレイアウトを示し、この研究のために統合された高密度ブロック、遷移層、およびカスタマイズされた分類層を介したシームレスな情報の流れを示しています。この視覚的な描写は、DenseNet121 が画像入力をどのように処理し、予測出力を生成するかを明確にします

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

この研究で実施された実験では、モデルは Python バージョン 3.11.5 と Windows 11 オペレーティング システム上の Jupyter Notebook を使用して開発されました。利用された主なディープラーニングフレームワークは、TensorFlowとKerasライブラリでした。この研究に使用したハードウェアは、2.50 GHz でクロックの Intel i5-6300U CPU を搭載した HP PC で、8 コアを搭載しました。

データセットは、トレーニング用に 80%、テスト用に 20% の 20% の 2 つの主要なサブセットに分割されました。合計で、15,023枚の画像がトレーニングに割り当てられ、3,522枚の画像がテスト用に確保されました。このアプローチにより、標準的な深層学習検証プラクティスに従って、目に見えないデータを使用してモデルが評価されることが保証されます。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

この研究は、セグメント化されたデータセットとセグメント化されていないデータセットの両方を使用して、水田の葉病を自動分類するための深層学習ベースのフレームワークを提案します。このアプローチは、UNet ベースの画像セグメンテーションと転移学習モデルを統合し、セグメンテーションによって特徴抽出と分類の精度が大幅に向上することを示しています。評価された 121 つのモデルのうち、カスタマイズされた DenseNet-121 は、精度 0.98、精度 0.97、再現率 0.96 という最高のパフォーマンスを達成しました。

この研究は、水田の葉の病気を早期かつ正確に検出するためのスケーラブルで実用的なソリューションを提供することで、科学分野の進歩に貢献します。これは、作物の収量を向上させ、経済的損失を削減するだけでなく、農業における AI 主導の診断システムの導入を促進することにも影響を及ぼします。

好調な結果にもかかわらず、一定の制限が存在します。このデータセットは比...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

著者らは開示するものは何もない。

謝辞

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

著者らは、原稿の概念化、方法論、準備に貢献したペヌゴンダ・シータ・ラーマ・クリシュナの努力を認め、研究全体を通じて監督と指導を提供してくれたS.ナガラジャンに心から感謝します。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
HPのPCHPIntel Core i5-6300U CPU @ 2.5 GHz、8 GB RAM
Jupyter Notebookオープンソースコード実行に使用
Kaggleデータセット:イネの葉病害検出カグルhttps://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection
ケラスオープンソースTensorFlow との統合
ニシキヘビPythonソフトウェア財団3.11.5
テンソルフローググる2.x
WindowsのOSマイクロソフトウィンドウズ11

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Baheti, H., Thakare, A., Bhople, Y., Darekar, S., Dodmani, O. Tomato plant leaf disease detection using inception v3. Intell Syst Appl. 959, 49-60 (2023).
  2. Shin, J., et al. Trends and prospect of machine vision technology for stresses and diseases detection in precision agriculture. Agri Eng. 5 (1), 20-39 (2023).
  3. Shamsul Kamar, N. A., et al. Pest and disease incidence of coniferous species in Taman Saujana Hijau, Putrajaya urban park Malaysia. J Forest Res. 34 (6), 2065-2077 (2023).
  4. Dutta, M., et al. Rice leaf disease classification-A comparative approach using convolutional neural network (CNN), cascading autoencoder with attention residual U-Net (CAAR-U-Net), and MobileNet-V2 architectures. Technologies. 12 (11), 214(2024).
  5. Alsakar, Y. M., Sakr, N. A., Elmogy, M. An enhanced classification system of various rice plant diseases based on multi-level handcrafted feature extraction technique. Sci Rep. 14 (1), 1-33 (2024).
  6. Ritharson, P. I., Raimond, K., Mary, X. A., Robert, J. E. DeepRice: A deep learning and deep feature-based classification of rice leaf disease subtypes. Artif Intell Agric. 11, 34-49 (2024).
  7. Khanna, A., Saini, R., Kumar, A., Singh, R. Toward end-to-end rice row detection in paddy fields exploiting two-pathway instance segmentation. Plant Phenomics. 6, 0043(2024).
  8. de Silva, R., Cielniak, G., Wang, G., Gao, J. Deep learning-based Crop Row Detection for Infield Navigation of Agri-Robots. arXiv. , (2022).
  9. Zhao, C., Hu, C., Shao, H., Wang, Z., Wang, Y. Towards Trustworthy Multi-label Sewer Defect Classification via Evidential Deep Learning. arXiv. , (2022).
  10. Gogoi, M., Kumar, V., Begum, S. A., Sharma, N., Kant, S. Classification and detection of rice diseases using a 3-stage CNN architecture with transfer learning approach. Agriculture. 13, 1505(2023).
  11. Rice as food. Wikipedia. , Wikipedia contributors. https://en.wikipedia.org/wiki/Rice_as_food (2025).
  12. Deng, R., et al. Automatic diagnosis of rice diseases using deep learning. Front Plant Sci. 12, 701038(2021).
  13. Image classification for rice leaf disease using AlexNet model. Win Lwin, L. Y., Htwe, A. N. 2023 IEEE Conf Comput Appl (ICCA), , 124-129 (2023).
  14. Tripathy, R., et al. Optimization based rice leaf disease classification in federated learning. Multimed Tools Appl. 83, 72491-72517 (2024).
  15. Li, Y., Wang, H., Dang, L. M., Sadeghi-Niaraki, A., Moon, H. Crop pest recognition in natural scenes using convolutional neural networks. Comput Electron Agric. 169, 105174(2020).
  16. Zhong, Y., Zhao, Z. Research on deep learning in apple leaf disease recognition. Comput Electron Agric. 168, 105146(2020).
  17. Yang, Y., Liu, Z., Huang, M., Zhu, Q., Zhao, X. Automatic detection of multi-type defects on potatoes using multispectral imaging combined with a deep learning model. J Food Eng. 336, 111213(2023).
  18. Wang, L., et al. Identification of crop diseases using improved convolutional neural networks. IET Comput Vis. 14 (7), 538-545 (2020).
  19. Arsenovic, M., Karanovic, M., Sladojevic, S., Anderla, A., Stefanovic, D. Solving current limitations of deep learning-based approaches for plant disease detection. Symmetry. 11 (7), 939(2019).
  20. Hu, G., Wu, H., Zhang, Y., Wan, M. A low shot learning method for tea leaf's disease identification. Comput Electron Agric. 163, 104852(2019).
  21. Too, E. C., Yujian, L., Njuki, S., Yingchun, L. A comparative study of fine-tuning deep learning models for plant disease identification. Comput Electron Agric. 161, 272-279 (2019).
  22. Ma, R., et al. Identification of maize seed varieties using MobileNetV2 with improved attention mechanism CBAM. Agriculture. 13 (1), 11(2023).
  23. Krizhevsky, A., Sutskever, I., Hinton, G. E. ImageNet classification with deep convolutional neural networks. Commun ACM. 60 (6), 84-90 (2017).
  24. Brahimi, M., Boukhalfa, K., Moussaoui, A. Deep learning for tomato diseases: classification and symptoms visualization. Appl Artif Intell. 31 (4), 299-315 (2017).
  25. Wang, G., Sun, Y., Wang, J. Automatic image-based plant disease severity estimation using deep learning. Comput Intell Neurosci. 2017, 2917536(2017).
  26. Deep residual learning for image recognition. He, K., Zhang, X., Ren, S., Sun, J. Proc IEEE Conf Comput Vis Pattern Recognit CVPR, , 770-778 (2016).
  27. Amara, J., Bouaziz, B., Algergawy, A. A deep learning-based approach for banana leaf diseases classification. Datenbanksysteme Business Tech Web (BTW 2017). , 79-88 (2017).
  28. Srilatha, D., Thillaiarasu, N. Implementation of intrusion detection and prevention with deep learning in cloud computing. J Inf Technol Manag. 15, 1-8 (2023).
  29. Sladojevic, S., Arsenovic, M., Anderla, A., Culibrk, D., Stefanovic, D. Deep neural networks-based recognition of plant diseases by leaf image classification. Comput Intell Neurosci. 2016, 3289801(2016).
  30. Simhadri, C. G., Kondaveeti, H. K., Vatsavayi, V. K., Mitra, A., Ananthachari, P. Deep learning for rice leaf disease detection: A systematic literature review on emerging trends, methodologies and techniques. Info Proc Agri. 12 (2), 151-168 (2025).
  31. Xu, M., et al. Embracing limited and imperfect training datasets: Opportunities and challenges in plant disease recognition using deep learning. Front Plant Sci. 14, 1225409(2023).
  32. Xu, M., Park, J. E., Lee, J., Yang, J., Yoon, S. Plant disease recognition datasets in the age of deep learning: Challenges and opportunities. arXiv. , (2023).
  33. Basic investigation on a robust and practical plant diagnostic system. Fujita, E., Kawasaki, Y., Uga, H., Kagiwada, S., Iyatomi, H. Proc 15th IEEE Int Conf Mach Learn Appl ICMLA, , 989-992 (2016).
  34. Densely connected convolutional networks. Huang, G., Liu, Z., Van Der Maaten, L., Weinberger, K. Q. Proc IEEE Conf Comput Vis Pattern Recognit CVPR, , 4700-4708 (2017).
  35. Sapkal, A. T., Kulkarni, U. V. Comparative study of leaf disease diagnosis system using texture features and deep learning features. Int J Appl Eng Res. 13 (19), 14334-14340 (2018).
  36. Loki4514, Leaf Diseases Detection Dataset. Kaggle. , https://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection Accessed (2025).
  37. Siddique, N., Paheding, S., Elkin, C. P., Devabhaktuni, V. U-Net and its variants for medical image segmentation: a review of theory and applications. IEEE Access. 9, 82031-82057 (2021).
  38. Yohoshiva, B., Challa, N. P. Ghcr-a dataset for Grantha handwritten character recognition. Data Brief. 56, 110783(2024).
  39. Ronneberger, O., Fischer, P., Brox, T. U-Net: Convolutional networks for biomedical image segmentation. Med Image Comput Comp Assisted Intervent MICCAI 2015 Lecture Notes Comp Sci. 9351, 234-241 (2015).
  40. Zhuang, F., et al. A comprehensive survey on transfer learning. arXiv. , (2020).

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

DenseNet 121

関連記事