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....

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

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 disease....

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