Detection of Spider Mites on Labrador Beans through Machine Learning Approaches Using Custom Datasets

要約

食糧生産の需要が高まる中、作物を守るためには植物の病気を早期に検出することが不可欠です。
この研究では、JAI FS-1600D-10GE カメラを通じて現実世界の条件で収集された RGB および NIR データを利用して RGBN データセットを構築する、植物の病気を検出するための視覚的な機械学習アプローチを提案します。
YOLOv8 と逐次 CNN を使用した 2 段階の早期植物病害検出モデルを使用して、部分ラベルを含むデータセットでトレーニングしたところ、1 段階のエンドツーエンド セグメンテーション モデルと比較して mAP が 3.6% 増加したことが示されました。
シーケンシャル CNN モデルは、RGBN データを利用して 90.62% の検証精度を達成しました。
ResNet15 および逐次 CNN モデルを使用した RGB と比較して、分類に RGBN を使用すると、検証精度が平均 6.25% 向上することがわかります。
食糧生産の需要を満たすには、さらなる研究とデータセットの改善が必要です。

要約(オリジナル)

Amidst growing food production demands, early plant disease detection is essential to safeguard crops; this study proposes a visual machine learning approach for plant disease detection, harnessing RGB and NIR data collected in real-world conditions through a JAI FS-1600D-10GE camera to build an RGBN dataset. A two-stage early plant disease detection model with YOLOv8 and a sequential CNN was used to train on a dataset with partial labels, which showed a 3.6% increase in mAP compared to a single-stage end-to-end segmentation model. The sequential CNN model achieved 90.62% validation accuracy utilising RGBN data. An average of 6.25% validation accuracy increase is found using RGBN in classification compared to RGB using ResNet15 and the sequential CNN models. Further research and dataset improvements are needed to meet food production demands.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google