文献

J-GLOBAL ID：202102290881215907   整理番号：21A1300451

リンゴ(Malus domestica)健康検出と疾患分類のためのハイブリッド機械学習モデルの開発【JST・京大機械翻訳】

Development of a Hybrid Machine Learning Model for Apple (Malus domestica) Health Detection and Disease Classification

著者 (5件)： Bracino Amir A. (De La Salle University,Manufacturing Engineering and Management Department,Manila,Philippines) ,  Concepcion Ronnie S. (De La Salle University,Electronics and Communication Department,Manila,Philippines) ,  Bedruz Rhen Anjerome R. (De La Salle University,Manufacturing Engineering and Management Department,Manila,Philippines) ,  Dadios Elmer P. (De La Salle University,Manufacturing Engineering and Management Department,Manila,Philippines) ,  Vicerra Ryan Rhay P. (De La Salle University,Manufacturing Engineering and Management Department,Manila,Philippines)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： HNICEM  ページ： 1-6  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： リンゴは毎年生産されるトップ農産物の1つである。最も栽培された作物のリンゴでも,その需要も増加している。その結果,温帯気候地域で典型的に生育するこの作物は熱帯気候地域で栽培されている。毎年リンゴの生産に影響する因子は害虫と病害の感染である。本研究は,リンゴ病の3つの最も一般的な3つのタイプを検出,分類できる機械学習モデルを作成することを目的とした:リンゴ黒星病(Venturia inaequalis),黒腐病(Botryosphaeria obtusa),およびスギリンゴさび病(Gymnosporangium juniperi-virginianae)。色とテクスチャ特徴抽出を400の単一リンゴ葉画像に行い,次に,R,V,およびb*に対する予測子の数を減らす特徴選択を行った。リンゴ葉が健康または寄生されているかどうかを検出する最良の性能モデルであるK-Nearest Network(KNN),人工ニューラルネットワーク(ANN)およびGaussプロセス回帰(GPR)間の比較を行った。ARDSquaredカーネル関数を有するGPRモデルを,訓練精度88.44%,試験精度82.50%,およびAUC=0.9256の最良性能モデルと決定した。一方,決定木とサポートベクトルマシン(SVM)を,分類疾患分類のためのより良い実行モデルを得るために比較した。二次SVMモデルは,77.1%の訓練精度,83.3%の試験精度,およびAUC=0.86を得るより良い実行モデルであった。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習モデル ,  害虫 ,  農作物 ,  ニューラルネットワーク ,  気候 ,  Gauss過程 ,  特徴選択 ,  ディシジョンツリー ,  温帯 ,  さび病 ,  黒星病 ,  *機械学習 ,  サポートベクトルマシン
準シソーラス用語： 予測子 ,  Kernel関数 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： リンゴ ,  Malus ,  疾患分類 ,  機械学習 ,  モデル ,  開発