YOLOv7 に基づく茶葉の病気の検出と識別 (YOLO

Rapporti scientifici Volume 13,

Scientific Reports volume 13、記事番号: 6078 (2023) この記事を引用

3425 アクセス

1 オルトメトリック

メトリクスの詳細

茶葉の病気を予防および管理するには、信頼性が高く正確な診断および識別システムが必要です。茶葉の病気は手動で検出されるため、時間がかかり、収量の品質と生産性に影響を与えます。この研究は、バングラデシュの 4 つの著名な茶園から収集された病気の茶葉のデータセットで最速の単一段階物体検出モデル YOLOv7 をトレーニングすることにより、茶葉の病気検出の問題に対する人工知能ベースのソリューションを提示することを目的としています。これらの茶園から 5 種類の葉の病気の 4,000 枚のデジタル画像が収集され、手動で注釈が付けられ、データが拡張された葉の病気画像データセットが生成されます。この研究には、サンプルサイズが不十分であるという問題を解決するためにデータ拡張アプローチが組み込まれています。 YOLOv7 アプローチの検出および識別結果は、検出精度、精度、再現率、mAP 値、F1 スコアなどの顕著な統計指標によって検証され、結果はそれぞれ 97.3%、96.7%、96.4%、98.2%、0.965 となりました。。実験結果は、自然風景画像における茶葉の病気に対する YOLOv7 が、CNN、Deep CNN、DNN、AX-Retina Net、改良型 DCNN、YOLOv5、多目的画像セグメンテーションなどの既存のターゲット検出および識別ネットワークよりも優れていることを示しています。したがって、この研究は昆虫学者の作業負荷を最小限に抑え、茶葉の病気の迅速な特定と検出に役立ち、経済的損失を最小限に抑えることが期待されます。

お茶は、その心地よい風味、絶妙な味わい、生物学的利点により、世界で最も人気のある機能性飲料の 1 つです。人間の健康に大きな利益をもたらすいくつかの活性植物成分が含まれています。最も興味深い事実は、（水に次いで）最も消費されている飲料となっているということです1。お茶は、世界中の家族や友人を近づけるのに重要な役割を果たしています2。 2025 年までに、世界のお茶の消費量は 740 万トンに達すると予想されており、2020 年の約 730 万トンから増加します3。

お茶生産の需要は今後数日で増加するでしょう。対照的に、お茶の生産量は気象条件や気候変動により減少しています。これらの世界的な現象に加えて、さまざまな病気や害虫がお茶の生産と品質に悪影響を及ぼします。茶の木は発育と成長の過程で病気に頻繁に悩まされます。茶葉にダメージを与える100以上の流行病が世界中で確認されています4。茶はバングラデシュの優れた農産業および輸出向け作物の一つです。国民のほとんどが定期的に消費しており、その風味は原産国内外で人気があります5。バングラデシュには 162 の茶園があり、北東部のシレットと南部のチッタゴンの 2 つの主要な茶栽培地域に分かれています5。バングラデシュの膨大な茶生産は間違いなくGDPを押し上げ、世界有数の茶輸出国としての地位を確立しています。

植物の病気や害虫を早期かつ正確に診断することで、農業生産の損失を大幅に防ぐことができます。茶葉の病気を正確かつ迅速に特定できれば、より効率的に予防および管理できるようになります6。最近では、茶葉の病気の診断は手作業で行われています。茶の木の大部分は険しい丘陵地で生育するため、専門家が診断のために茶園を訪れるのは時間と費用がかかります。農家が個人的な経験に基づいてさまざまな形態の茶病を区別する場合、結果は非常に主観的なものになります7。このような予測の精度は低く、病気の葉を特定するには多大な作業が必要です。したがって、フレームワークはより正確で信頼性の高い疾患診断を可能にする必要があります6。

コンピューティング技術の進歩により、機械学習と画像処理により植物の病気を自動的に検出および識別できるようになり、植物の病気の自動診断に重要な役割を果たしています8,9。研究者は、画像処理と機械学習を適用して植物の病気を特定し、分類しました。 Castelao Tetila et al. は、さまざまな高さから無人航空機 (UAV) によって捕らえられた感染した大豆の葉を検出するために、6 つの従来の機械学習アプローチを適用しました。色とテクスチャの特徴の影響は、認識率に基づいて検証されました10。 Maniyath et al.11 は、植物の病気を検出するための機械学習に基づく分類アーキテクチャを提案しました。別の最近の研究では、Ferentinos12 は、健康な植物と感染した植物の単純な葉の画像を使用し、深層学習を使用して植物の病気の特定と診断のための畳み込みニューラルネットワークモデルを構築しました。 Fuentes et al.13 は、カメラを利用してさまざまな解像度で画像をキャプチャすることにより、トマトの病気や害虫を特定するために「深層学習メタアーキテクチャ」を採用しました。実りある調査の結果、このアプローチにより 9 種類のトマトの植物の病気や害虫が検出され続けました。 Tiwari et al.14 は、さまざまな解像度で取得した葉の写真から植物の病気を検出および分類するための高密度畳み込みニューラルネットワーク戦略を導入しました。このディープニューラルネットワークは、複雑な状況下での画像の多くのクラス間およびクラス内の差異に対処しました。いくつかの追加研究では、深層学習と画像処理技術を利用して茶葉の病気を特定しました。 Hossain et al.15 は、茶葉の病気の 11 の特徴を分析できる画像処理方法を発見し、サポートベクターマシン分類器を利用して、最も一般的な 2 つの茶葉の病気、すなわち褐色枯病と藻類葉病を特定および分類しました。 Sun et al.16 は、単純な線形反復クラスター (SLIC) とサポートベクターマシン (SVM) を組み合わせることにより、複雑な設定からの茶葉病害顕著性マップの抽出を改善しました。 Hu ら 17 は、自然風景の写真における茶葉枯病の重症度を分析するためのモデルを開発しました。初期病害重症度 (IDS) 指数は、SVM 分類器を使用して茶葉枯れ葉画像から病斑位置をセグメント化することによって計算されました。さらに、さまざまな研究者が、AlexNet18、VGGNet19、GoogLeNet20、InceptionV321、ResNet22、DenseNet23 などの注目すべきアーキテクチャを植物の病気の特定に使用しています。

上述の技術は作物または植物の病気の治療に効果的であることが証明されていますが、それらは作物の病気の画像を診断または分類することに限定されています。前述したように、ディープニューラルネットワークは、自然風景の画像における茶葉の病気の検出と認識には効果がありません。これは、茶葉の自然風景画像には、複雑な背景、密集した葉、大規模な改変が含まれているためです。 1 段階アルゴリズムは、他の深層学習モデルと比較して良好なパフォーマンスを示しました24。最近、深層学習に基づく画像検出ネットワークは 2 段階ネットワークと 1 段階ネットワークに分離されています24。 1 つ目は R-CNN (地域ベースの畳み込みニューラルネットワーク) ファミリのアルゴリズムで、地域の提案に特化しており、R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN、別のカテゴリーは、YOLO (You Only Look Once) シリーズなどの 1 段階アルゴリズムとその代表的なネットワークです25。

YOLO は、コンピュータービジョンで人気を集めているオブジェクト検出アルゴリズムです。 YOLO は、ニューラルネットワークを介した 1 回の順方向パスで画像を処理するリアルタイムの物体検出アルゴリズムです。複数の処理段階を伴う従来の物体検出アルゴリズムとは異なり、YOLO は単一のステップで物体認識と境界ボックス回帰を実行します24。これにより、高速かつ効率的になり、1 秒あたり最大 60 フレームを処理できるようになります。 YOLO は、画像をセルのグリッドに分割し、各セルの境界ボックスを予測することによって機能します。 YOLO は、境界ボックスごとに、クラス確率 (つまり、境界ボックスに特定のオブジェクトが含まれる確率) と信頼スコア (つまり、境界ボックスにオブジェクトが含まれる確率) を予測します。 YOLO は、cell26 を基準とした境界ボックスの座標も予測します。

予測の精度を向上させるために、YOLO はアンカーボックスと呼ばれる手法を使用します。アンカーボックスは、さまざまなサイズとアスペクト比の事前定義されたボックスです。各アンカーボックスは特定のセルに関連付けられており、そのセル内のオブジェクトのサイズと形状を予測するために使用されます。アンカーボックスを使用すると、YOLO はさまざまなサイズや形状のオブジェクトを処理できます。 YOLO の主な強みの 1 つはそのスピードです。 YOLO はリアルタイムで画像を処理できるため、自動運転車、監視システム、ロボット工学などのアプリケーションに適しています26。 YOLO は、ネットワークを複数回通過する必要がある従来の物体検出アルゴリズムとは異なり、画像を 1 回処理するだけで済むため効率的でもあります。 YOLO のもう 1 つの強みは、画像内の複数のオブジェクトを検出できることです。 YOLO は各セルの境界ボックスを予測するため、さまざまな画像部分で複数のオブジェクトを検出できます。このため、YOLO は歩行者検出や交通標識認識に最適です26。

YOLOv7 は、YOLO ファミリの新しい高度な検出器です。このネットワークは、トレーニング可能な景品の袋を使用しており、推論コストを増加させることなく、リアルタイム検出器の精度を大幅に向上させることができます。拡張および複合スケーリングを統合することで、ターゲット検出器がパラメータと計算の数を効果的に削減できるようになり、検出率が大幅に向上します27。 YOLOv7 は、5 FPS (フレーム/秒) ～ 160 FPS の精度と速度で、一般的な物体検出器を上回ります。また、すぐに使用できる一連の景品も提供され、検出モデルの微調整が簡単になります。 YOLOv7 の構成ファイルを使用すると、追加モジュールの追加と新しいモデルの生成が簡単になります28。この調査では、拡張、シャッフル、マージカーディナリティを採用し、元の勾配パスを中断することなくネットワークの学習能力を継続的に向上させる能力を実現する E-ELAN を提供しています29。

YOLO ファミリの前のバージョン (YOLOv5) は、収穫ロボットによる果物の識別 30、31、車両および船舶の検出 32、33、毒キノコの選択、顔検出 34 など、さまざまな領域で効果的に適用されています。 Jubayer ら 35 は、カビの検出に YOLOv5 を使用し、精度、再現率、F1、AP がそれぞれ 98.1%、100%、99.5%、99.6% であることを実証しました。

アップグレードされた YOLO (YOLOv7) の亜種は、多くの機械学習およびデータモデリングの科学者を魅了しました。数人の研究者は、ビデオ物体追跡 29、麻アヒル数推定のための物体検出 36、海上 UAV 画像の物体検出 37、衛星画像からの船舶検出 38、さまざまな材質の欠陥検出 39,40,41、車両追跡 42 など、さまざまな物体検出現象に採用しています。、医療分野でも同様です43,44。 Gallo ら 45 は、雑草を識別するためにチコリ植物のデータセットに YOLOv7 モデルを適用しました。同様に、YOLOv7 アーキテクチャは果樹園の果物の検出に使用され、収穫ロボットが果物を見つけて収集するのが容易になりました 46,47。

YOLO ファミリは、作物の葉の病気や害虫を特定するために広く利用されており、YOLOv7 をベースラインモデルとして検討することが推奨されています。 YOLOv7 アルゴリズムは、茶葉の病気の特定にはまだ使用されていません。この研究を継続するために、次の知識のギャップが考慮されます。

茶葉の病気の検出、トレーニング、モデルのテストに使用できるラベル付きデータは限られています。

茶葉病害検出に特有の確立された評価指標やベンチマークが不足しているため、YOLOv7 モデルのパフォーマンスを他の方法と比較することが困難になっています。

茶の病気に対する人工知能の応用に関する研究はほとんどありませんが、バングラデシュでは何も行われていません。バングラデシュで茶葉の病気を特定し検出するために AI を利用することの潜在的な利点と有効性を検討することが重要です。

本研究は、バングラデシュのシレット地域にある多数の茶園の自然環境で撮影された画像を使用して、茶葉の病気を特定し、検出するように設計されました。本論文は、病気の茶葉を研究対象として使用し、5種類の頻繁な傷画像を収集して茶葉傷データセットを作成し、YOLOv7アルゴリズムの高い検出速度と精度を物体検出の分野に適用します。この研究は、茶の木の病気を検出、特定、分類するための自動化された方法を開発し、病気の検出の精度を高め、農家の時間を節約し、彼らの生計に利益をもたらすことを目的としています。私たちの知識によると、アテンションモデルを備えた YOLOv7 が茶の木の病気の葉を検出するための基本アーキテクチャとして使用されたのはこれが初めてです。

私たちの仕事の主な貢献は次のとおりです。

自然風景の画像における茶葉病害の自動検出精度の問題を自動検出、識別、解決するための、改良された YOLOv7 オブジェクト検出モデル YOLO-T を紹介します。

開発したYOLO-Tの性能は、前バージョンのYOLO（YOLOv5）と比較して評価されました。本研究と以前の植物病害検出アルゴリズムも比較されました。

私たちは、バングラデシュのシレットの著名な茶園から取得した病気の茶葉の画像のオリジナルデータセットを作成して提示します。この真新しいデータセットは、YOLOv7 モデルのトレーニングとテストに使用され、同様の問題に取り組んでいる他の研究者によって使用される可能性があります。

データ拡張技術は、サンプル不足の問題に対処し、ネットワークの検出と識別の効果を高めるためにトレーニング画像の数を増やすために使用されます。

この研究の方法論は、茶葉の病気の自動予防と管理の基礎を提供し、ドローン技術を利用した賢明な農薬散布を促進します。

図 1 に示すように、バングラデシュのシレット地区にある 4 つの有名な茶園から茶葉を収集しました。図 2 には、これら 4 つの茶園間の距離がわかるように、これら 4 つの茶園の地理的位置が示されています (ArcGIS 10.8)。葉は2022年6月にシレット州ラッカトーラにあるナショナル・ティー・カンパニー・リミテッド（北緯24度55分11.9秒、東経91度52分25.7秒）とマルニチェラ・ティー・ガーデン（同24度56度）の2つの茶園から採取された。北緯11.2インチ、東経91度52分01.2インチ）シレットの空港道路沿い。さらに、この研究はさらに2つの茶園に拡張され、2022年8月にヌール・ジャハン茶園（北緯24度17分50.5秒、東経91度48分05.6秒）とフィンレー茶園の茶園から葉が収集されました。（北緯24度19分12.0秒、東経91度44分35.4秒）、どちらもシレット州スリーマンガルにある。

データ収集場所を調査する。 (A) ナショナルティーカンパニーリミテッド、(B) マルニチェラティーガーデン、(C) ヌールジャハンティーガーデン、(D) フィンレーティーエステート。

この研究で調査されたバングラデシュのシレットにある 4 つの茶園の地理的位置。

この研究で利用された実験およびフィールド調査の方法論は、適用される規則とガイドラインに従って実施されました。研究期間中、病気の茶葉の画像のみが収集されました。他の収集方法やサンプリング方法は使用されませんでした。写真は、画像解像度 6000 × 4000 ピクセルの Canon EOS 80D SLR カメラを使用して、自然環境で撮影されました。カメラは茶の木の樹冠から 0.4 m 上に設置されました。この研究用のデータセットを生成するために、自然環境で撮影された病気の茶葉の画像から、5 種類の茶葉 (病気に感染している) の 4,000 枚の画像が選択されました。これら 4,000 枚の画像のうち、アカグモ、チャカ蚊、黒腐病、褐色枯病、葉さび病などの害虫や病気に感染した葉の画像 (各 800 枚) が含まれています。図 3 は、茶葉から撮影したこれら 5 つの茶葉の病気の画像を示しています。最初に、検出モデルの一般化を評価するために、4000 枚の画像から 800 枚の画像がランダムに選択されました。残りの 3200 枚の画像は、トレーニングセット (2800) と検証セット (400) にランダムに分割されました。データセット内の画像サイズは均一ではないため、最初の正規化フェーズを実行して、すべての写真を解像度 640 × 640 の画像に標準化します。病気/感染症の手動ラベル付けを完了するには、画像データ注釈ソフトウェア「Labeling」を使用して、Python の「labeling」パッケージを使用してすべてのトレーニングセット画像内の病気部分の外側の長方形を作成しました。インストールが正常に完了すると、各イメージに対してイメージのラベル付け (境界ボックスの描画とクラスのラベル付け) が行われます。画像のラベル付けが成功すると、出力はテキストファイルおよびクラスファイルとして保存されます。長方形に含まれる背景ができるだけ少なくなるよう保証するために、茶葉を取り囲む最小の長方形に基づいて画像にラベルが付けられました。病気の茶葉は、混合しないように注意して扱われました。

茶葉の病気の画像: (a) 赤クモ、(b) 茶蚊、(c) 黒腐病、(d) 褐色枯病、(e) 葉さび病。

YOLO パッケージは、GitHub から「YOLOv7」コードを取得して複製することでインストールされます。最新バージョンの「YOLO v7」はTorchでサポートされており、「Google colab」を利用して簡単に実装できます。これにより、システム上に「YOLOv7」という名前の新しいフォルダーが生成されます。この新しいフォルダーには、モデルの事前トレーニングされた重みと特別な YOLO ディレクトリ構造が保存されます。トレーニングが完了すると、YOLOv7 に新しいサブフォルダーが作成されます。サブフォルダーの場所のパスを追加するには、「YOLOv7/run/training/experiment/weights/last.pt」という表記が使用されます。ドキュメントの重みの大きさは、ここで使用した「yaml」ドキュメントに応じて変更されます。提案されたモデルのテストとトレーニングのフレームワークのブロック図を図 4 に示します。

提案された YOLOv7 モデルのトレーニングとテストのブロック図。

以下は、YOLOv7 モデルのトレーニングの詳細です。

写真サイズ：640×640

各バッチの画像数: 10

特徴抽出: data.yaml

開発された Yolo: YOLOv7s.yaml

画像: 画像の寸法 (高さと幅の両方) の測定値。

バッチ: バッチサイズは、反復中に一度に供給される画像の数です。

エポック: トレーニングの繰り返しまたは反復の量。

データ: この YAML ファイルでは、トレーニングデータと検証データの場所、クラスの総数、各クラスの名前を含むデータ構造が特徴付けられました。

cfg: モデルの詳細については、「model」フォルダー内の YAML 構成ファイルを参照してください。それぞれ独自のサイズ範囲を持つ 4 つの異なるモデルが用意されています。「YOLOv7s.yaml」という名前のトレーニングファイルが使用されています。

名前: 指定されたモデル名があります。

%cd yolov7/# コマンドを使用してディレクトリの名前を「yolov7」に変更します

!Python トレイン。 py --img 640 --batch 10 --epochs 205 --data/content/data.yaml --cfg models/yolov7s.yaml --name TeaLeafDisease

トレーニングプロセス全体を通じて、データが収集され、損失が分析され、Tensorboard 視覚化ツールを使用して各エポックでモデルの重みがキャプチャされました。次のデスクトップコンピューターの仕様 (表 1) は、PyTorch 深層学習フレームワークを使用したトレーニングとテストに使用されました。

YOLOv7 は、YOLOv4、Scaled YOLOv4、および YOLO-R モデルアーキテクチャから派生しています。 YOLOv7 モデル前処理戦略は YOLOv5 モデル前処理手法と組み合わされており、モザイクデータ拡張は小さなオブジェクトの識別に適しています。アーキテクチャの観点からは、ELAN を拡張した拡張 ELAN (E-ELAN) が提案されています。 YOLOv7 のバックボーンの計算ブロックは E-ELAN として知られています。拡張、シャッフル、マージカーディナリティが適用され、勾配ルートを損なうことなくネットワークの学習能力が継続的に強化されます。グループ畳み込みは、コンピューティングブロックのアーキテクチャ内のコンピューティングブロックのチャネルとカーディナリティを高めるために利用されます。さまざまな計算ブロックのセットがさまざまな特徴を取得するように指示されます。 YOLOv7 では、連結ベースのモデル用の複合モデルスケーリングも導入されています。複合スケーリングの方法を使用すると、モデルの開始属性を保存できるため、最適な構造が得られます。次に、このモデルは、「bag-of-freebies」(BoF) として知られるいくつかのトレーニング可能な最適化モジュールと手法に焦点を当てます 27,36。 BoF は、トレーニングコストを増やすことなくモデルのパフォーマンスを向上させる戦略です。 YOLOv7 は次の BoF アプローチを実装しました。

再パラメータ化は、トレーニング後にモデルを強化するための手法です。トレーニング期間は長くなりますが、推論結果は向上します。モデルを完成させるための再パラメータ化には、モデルレベルのアンサンブルとモジュールレベルのアンサンブルという 2 つの方法があります。その結果、モジュールレベルの再パラメータ化は科学界で大きな関心を集めています。この方法では、モデルのトレーニングのプロセスがさまざまなモジュールに分割されます。出力が集約されて最終モデルが生成されます。 YOLOv7 は、勾配流伝播チャネルを使用して、再パラメータ化が必要なモデルセグメント (モジュール) を識別します。このアーキテクチャのヘッドコンポーネントは、マルチヘッドの概念に基づいています。したがって、リードヘッドは最終的な分類を担当し、補助ヘッドはトレーニング手順を支援します21。

投影されたモデルの出力は YOLO の上部にあります。 YOLOv7 は、ディープニューラルネットワークの一般的なトレーニング戦略である深い監視に触発されたため、単一のヘッドに限定されません。望むことを何でも達成するためにいくつかの頭を持っています。最終的な出力を担うヘッドをリードヘッド、中間層のトレーニングをサポートするヘッドを補助ヘッドと呼びます。ディープニューラルネットワークのトレーニングを改善するために、ネットワーク予測結果とグランドトゥルースに基づいてソフトラベルを割り当てるラベルアサイナーメカニズムが設計されました。従来のラベル割り当てでは、グラウンドトゥルースを直接使用して、事前に設定された基準に基づいてハードラベルを作成します。逆に、信頼性の高いソフトラベルは、グラウンドトゥルースと予測出力の品質と分布の両方を考慮した計算および最適化手法を使用します27,36。図 5 に、YOLOv7 のネットワークアーキテクチャ図の概要を示します。

YOLOv7のネットワークアーキテクチャ図。アーキテクチャ全体には、CBS、MP、ELAN、ELAN-H の 5 つの基本コンポーネントに加えて、入力端末、バックボーン、ヘッド、予測という 4 つの一般的なモジュールが含まれています。

(a) バッチ正規化層は畳み込み層に直接結合されています。これは、バッチの正規化された平均と分散が、推論ステップ中に畳み込み層の偏差と重みに追加されることを示しています。 (b) YOLO-R の知識獲得の加算および乗算手法を畳み込み特徴マップと組み合わせて使用すると、推論段階での事前計算によってベクトルに標準化して、前後の畳み込み層の偏差と重みと組み合わせることができ、(c) 最後に、リアルタイムの物体検出により、計算に影響を与えることなく、検出精度を大幅に向上させることができます。そのため、5 ～ 160 FPS の範囲の速度と精度は既知のすべての物体検出器を上回り、物体検出の迅速な応答と正確な予測が可能になります 27,36。

ラベル付けツールは、画像のグラウンドトゥルースボックスにラベルを付けるために使用されました。データセットタグの数と分布がカウントされ、その結果が図 6 に示されています。この図は、拡張されたデータセットの属性の表示を示しています。トレーニングされたモデルの一般化を改善するために、データ拡張によりトレーニングデータセット内の情報が強化され、データの多様性が維持され、元の画像内の分布方向が調整されます。図６ａの縦軸はラベルの数量を表し、横軸はラベルの名前を表す。データセットには、感染して病気になった茶葉の十分な量のサンプルが含まれています。図 6b はタグの分布を示しています。縦座標「y」は、画像の高さに対するラベル中心の横座標の比率であり、横座標「x」は、画像の幅に対するラベル中心の横座標の比率です。図に示すように、データは均一かつ細かく分散されており、画像の中央に集中しています。茶葉データセットには、グラウンドトゥルースボックスのラベルが含まれています (図 6c)。すべての画像境界線のサイズ統計がこの図に示されています。クラスタリングアルゴリズムは、データセット内のすべてのグラウンドトゥルースボックスに基づいてさまざまなサイズのアンカーボックスを生成し、アルゴリズムの初期アンカーボックスサイズが病気の茶葉の意図したサイズと確実に一致するようにします。この場合、グラウンドトゥルースボックスは、トレーニングデータセット内の茶葉の病気の各インスタンスの周囲に注釈が付けられたボックスを指します。トレーニング中、YOLOv7 アルゴリズムはこれらのグラウンドトゥルースボックスを使用して、新しい画像内の類似したクラスのオブジェクトを検出する方法を学習しました。図 6c の境界ボックスの大部分は中央にあります。 YOLOv7 アルゴリズムは、アンカーボックスを使用してオブジェクトの位置を特定しやすくします。これらのアンカーボックスを配置すると、システムが画像の中心に向かってオブジェクトをより頻繁に検出する可能性があります。

ラベルとラベルの分布、(a) データセット内のラベルの数とクラス、(b) データセットの画像内のラベルの位置とデータセット内のラベルのサイズ、(c) グラウンドトゥルースボックス。

元のデータセットと YOLOv7 ネットワークを使用して、茶葉の病気を検出するモデルを構築しました。開発されたモデルの有効性はグラフで示され、トレーニングセットと検証セットのパフォーマンスのさまざまな指標が示されます。図 7 には、ボックス損失、オブジェクト性損失、およびカテゴリ化損失という 3 つの別個のタイプの損失が示されています。ボックス損失は、オブジェクトの中心を正確に特定し、その境界ボックスを推定するアルゴリズムの能力を評価します。指標としての「物体性」は、特定のエリアで物体が見つかる可能性を数値化します。客観性が高いということは、オブジェクトが画像の可視領域内にある可能性が高いことを示しています。分類損失は、アルゴリズムがオブジェクトの適切なクラスを決定できる精度を示します。 0 ～ 100 回の反復の過程で、モデルのパラメーターは大幅に変化します。反復数が 100 から 150 に増加すると、モデルのパフォーマンスが継続的に最適化されました。図が示すように、オブジェクト性の損失は無視でき、YOLO v7 は K-Means よりも高い精度と再現率の値を示します。

トレーニング中のモデル評価指標 (提案された YOLOv7 の精度、再現率、および [email protected]) の視覚的分析。

精度と再現率は、モデルのパフォーマンスに関して誤解を招く可能性があるため、モデルのパフォーマンスの唯一の決定要因と見なすことはできません41。したがって、追加の曲線を使用して、図 8 に示すように計算されるモデルのパフォーマンスを評価します。適合率 - 再現率曲線を図 8a に示し、b は適合率 (P) 対信頼度 (C) のグラフを示します。 .8c は、F1 スコアが 97%、信頼度 0.368 であることを示しており、茶葉病害画像データセットに基づいて P と R のバランスをとることを推奨しています。図 8d は、再現率 (R) 対信頼度 (C) のグラフを示しています。

演算結果の曲線。 (a) 適合率-再現率曲線、(b) 適合率-信頼性曲線、(c) F1-信頼性曲線、(d) 再現率-信頼性曲線。

再現率が増加するにつれて、精度の変化率も増加することが観察されました。グラフの曲線が右上隅に近い場合、再現率が増加しても精度の低下が目に見えにくくなり、モデルの全体的なパフォーマンスが向上していることを示しています。ただし、しきい値が 0.5 の場合、すべてのクラスの mAP は高く、検出の 97.3% を正確にモデル化します。これは、図 8 で、アルゴリズムが対象オブジェクトを適切に検出および分類するために信頼できることを示しています。ただし、トレーニングとテストのフェーズの開始時には、代表的なデータが欠如しているためにアルゴリズムに課題がありましたが、トレーニングエポックが完了するにつれて、アルゴリズムは着実に収束していきました。

図 9 の混同マトリックスは、実際の分類と予測された分類を対比しています。これは、2 つのクラスを分類または区別する際にモデルがどこで混乱するかを示すことができます。これは 2 行 2 列の行列で表され、1 つの軸は実際の真実またはグラウンドトゥルースを表し、もう 1 つの軸はモデルの真実または予測を表します。完璧なシナリオでは、1.00 は行列の左上から右下までの対角線に及びます。モデルによると、病気の茶葉の種類ごとに適切に分類される割合は次のようになります。

黒腐れ 97%

褐色枯病 97%

葉さび病 97%

赤い蜘蛛 98%

茶蚊 97%

提案された YOLO-T モデルの混同マトリックス図。

正しく分類されたアルゴリズム出力の割合を表示することに加えて、分類が何回間違ったかを確認することもできます。黒腐病、褐色枯病、および葉さび病が、それぞれ 2% の確率で、誤って葉さび病、黒腐病、茶蚊として分類され、病気を分類する際に最も混乱を引き起こしました。

実験結果には 4 つの結果が含まれます。真陽性 (TP)。これは、個別にマークされた病気の葉を正確に検出することを指します。偽陽性 (FP)。病気の茶葉として誤って識別された物体を指します。真陰性 (TN) は、陰性システム予測を持つ陰性サンプルを指します。偽陰性（FN）とは、見落とされた病気の茶葉を指します。この研究の YOLOv7 モデルは YOLOv5 と比較され、その精度と有効性が確認されています。表 2 は、YOLOv7 と YOLOv5 の mAP、精度、リコール、トレーニング時間を比較しています。精度とは、すべての画像において正しく認識された茶葉の病気の割合を指します。再現率は、データセット内で正確に認識された病気の葉の割合です。 YOLOv7 モデルで直面した唯一の課題は、トレーニングに必要な時間が長くなったのに対し、YOLOv5 モデルでは必要な時間が短くなったことでした。他のパラメータ (表 2) は YOLOv5 よりも高くなります。顕著な統計指標は、次の方程式を使用して計算されます35。

以前の一連の実験の分析と比較に基づいて、この研究で提示されたアップグレードされた YOLOv7 アルゴリズムは検出精度の点で大きな利点を提供すると結論付けることができます。この方法は速度が若干低下しますが、実際の茶葉病害検出アプリケーションのリアルタイム要件を満たすことができます。

5 種類の茶葉の病気の識別の視覚化の結果を図 10 に示します。この図は、提案されたアルゴリズムが完全な境界ボックスを構築することにより、病気の葉を正確に検出および識別することを示しています。ディープラーニングは、病気の検出、雑草制御、果実認識などの精密農業アプリケーションとして研究者の間で人気が高まっています45、46、47。病気の部分を特定することで、農家はより効果的な病気対策措置を講じることができます。この現在の YOLOv7 モデルの精度、再現率、平均精度は、Hu らの研究で言及されている他の物体検出方法よりも優れています48。深層学習技術を利用して、茶葉枯病の重症度を特定し、判定しました48。彼の結果は、他の物体検出アルゴリズムの結果よりも優れていました。ただし、現在の作業のパフォーマンスは以前の試みよりも大幅に優れています。

YOLOv7 を使用した茶葉の病害検出結果の例。境界ボックスは病気の茶葉の画像で構成されています。

対照的に、同じ研究の結果をレビューした後 48、YOLOv3、より高速な R-CNN、およびより高速な R-CNN + FPN は、必要なトレーニング時間が短いようであることが観察されました 48。さまざまな茶葉病害検出アルゴリズムの結果と、この研究で得られた結果との比較を表 3 に示します。研究者が異なるアルゴリズムを使用した他の同様の研究よりも、検出の精度と精度がはるかに高いことがわかります。

茶の害虫は、攻撃または侵入する場所に基づいて 3 つのグループに分類できます。ショットホールボーラーやレッドコーヒーボーラーなどの茎害虫。チャカ蚊、フラッシュワーム、ルーパーキャタピラー、リーフローラー、アザミウマ、およびすべてのダニなどの葉の害虫。チャ蚊とアカグモによって引き起こされる病気は、バングラデシュの茶生産に対する最も重大な脅威の一つであり、他の研究でも確認され結論づけられています54。

茶病の標的は小規模であることが多く、栽培地域の複雑な背景により、スマートな検出手順が簡単に妨げられます。さらに、いくつかの茶の病気が葉の表面全体に集中しているため、世界規模のデータからの推論が必要です55。精度が重要な要素である葉の病気検出タスクに関しては、提案された YOLO-T モデルは他のモデルよりも優れています。一部の境界ボックスが疾患領域に対して大きすぎることがわかりました。ラベル付けされた名前と予測は画像内に一緒に表示されません。これは、名前が長すぎるように構成されているため、画像内で名前が不完全に表示されるためです。アノテーションを修正し、ラベルを付け、より短くて意味のある名前を使用することで、問題が解決されました。境界ボックスは、オブジェクトの必要な検出領域の近くに描画する必要があります。この手法は、トレーニングアルゴリズムが境界ボックス内のみで学習するのを支援できます。このアプローチのもう 1 つの利点は、画像の解像度です。 640 × 640 の画像入力サイズにより、最高の精度が得られます56。入力画像のサイズが大きくなるほど、そこに含まれる情報量も多くなります。

YOLOv7 モデルを利用中に発見した唯一の欠点は、トレーニング期間が長いことでした。私たちのバージョン (YOLO-T) と最新バージョン (YOLOv5) を比較しました。新しい研究では、YOLOv7 は YOLOv5 よりも必要なトレーニング時間が短いことが判明しましたが、これは私たちの調査結果と矛盾します 47。トレーニング期間のこの差異は、グラフィックスプロセッシングユニット (GPU) の使用率に起因する可能性があります。通常の GPU を使用すると、YOLOv7 のトレーニング時間が遅くなる可能性があります。

トレーニング時間を除けば、同じく茶葉病害に対して YOLOv5 バージョンを使用した最近の研究 55 の結果は、現在の研究の結果と一致していました。 YOLOv5 は、必要な Compute Unified Device Architecture (CUDA) メモリ、削減されたレイヤー、強化された順方向および逆方向伝播を実現するフォーカス構造を採用しています。また、クロスステージ部分ネットワークを備えたダークネットバックボーンも使用します。一方、YOLOv7 の E-ELAN は、拡張、シャッフル、マージカーディナリティを利用して、勾配ルートを損なうことなくネットワークの学習能力を常に向上させる能力を獲得します。調査によると、YOLOv7 は、YOLOR、PP-YOLOE、YOLOX、Scaled-YOLOv4、YOLOv5 (r6.1) などの他のアルゴリズムと比較して、推論の速度と精度が高くなります57。最近のいくつかの研究では、YOLOv7 アルゴリズムの検出精度と精度も評価され、報告されています47、56、58、59、60。

病気の特定と検出は、植え付けと収穫時のお茶の生産を改善するために非常に重要です。コンピューティング技術が高度に使用されている現在の時代において、バングラデシュのような発展途上国の茶園における病気の検出と識別システムの改善は、農民の裕福なライフスタイルを改善するだけでなく、国の経済にも大きな可能性をもたらす可能性があります。この調査研究では、YOLOv7 モデル (YOLO-T) を使用して、茶園におけるさまざまな種類の茶葉の病気を検出および特定します。提案されたモデルは、5 つの異なるタイプの茶葉の病気を自動的に検出し、健康な葉と病気の葉を区別しました。全体的な分類精度は 97.30% で、再現率と精度はそれぞれ 96.4% と 96.7% です。提案されたモデルは、全体的な精度、精度、再現率に関して、ディスカッションセクションで報告された最新のモデルよりも優れています。ただし、この調査では、YOLOv7 のパフォーマンスが以前のバージョンである YOLOv5 と比較され、YOLOv7 のパフォーマンスが優れていることが観察されました。たとえ結果が良好であっても、提案されたアプローチはトレーニング期間の期間によって制限されます。将来の研究者は、次のプロジェクトにバッチ正規化を採用して、トレーニングプロセスを加速し、精度を向上させることができます。データセットの拡大は、将来の開発の焦点の 1 つです。今後の研究では、現場でさまざまな品種、肥沃度、撮影角度から損傷した茶葉のサンプルを収集し、大規模なデータセットを編集する必要があります。

さらに、より高度なラベル付け技術を採用することで、画質を向上させることができます。このモデルはモノのインターネット (IoT) デバイスと互換性があり、現実世界のアプリケーションに適用されます。このフレームワークは、追加の作物の病気を考慮してわずかに変更したり、他の植物に適応させたりすることができます。提案されたアルゴリズムはモバイルアプリケーションに実装でき、農家がいつでも作物への支援に簡単にアクセスできるようになります。この研究により、多くの茶葉の病気の早期発見が促進され、迅速な発見に貢献することができます。その後の研究は、複数のセンサーを介して温度と湿度の情報、病原性胞子情報、土壌情報、および環境パラメータを収集し、複数のソースデータを融合し、複数のデータの融合に基づいて茶葉の病気の早期警告モデルを構築することに焦点を当てて実現する可能性があります。病気が発生していない場合の早期警告。

現在の研究で使用および分析されたデータセットは、要求に応じて責任著者から入手できます。

Sanlier, N.、Gokcen, BB & Altuğ, M. お茶の消費と病気の相関関係。トレンド食品科学テクノロジー。 78、95–106。 https://doi.org/10.1016/j.tifs.2018.05.026 (2018)。

記事 CAS Google Scholar

ヴェルマ、HV コーヒーと紅茶: 社会文化的な意味、背景、ブランディング。アジア太平洋 J.Manage. 解像度イノヴ。 9(2)、157–170。 https://doi.org/10.1177/2319510X13504283 (2013)。

記事 Google Scholar

Debnath, B.、Haldar, D. & Purkait, MK 茶廃棄物の潜在的かつ持続可能な利用: 現状と将来の傾向についてのレビュー。Ｊ．Ｅｎｖｉｒｏｎ．化学。工学 9(5)、106179。 https://doi.org/10.1016/j.jece.2021.106179 (2021)。

記事 CAS Google Scholar

Hu, G.、Yang, X.、Zhang, Y.、Wan, M. 改良された深層畳み込みニューラルネットワークを使用した茶葉の病気の特定。持続する。計算します。情報システム。 24、100353。https://doi.org/10.1016/j.suscom.2019.100353 (2019)。

記事 Google Scholar

アーメド、JU 他バングラデシュの大シレット地区にある 2 つの茶園の茶園労働者の食糧安全保障と食の多様性。 GeoJournal 86(2)、1015–1027。 https://doi.org/10.1007/s10708-019-10108-z (2021)。

記事 Google Scholar

マシュー、MP およびマヘシュ、テキサス州 YOLOv5 を使用したピーマン植物の葉ベースの病気の検出。 SIViP 16(3)、841–847。 https://doi.org/10.1007/s11760-021-02024-y (2022)。

記事 Google Scholar

Bao, W.、Fan, T.、Hu, G.、Liang, D. & Li, H. AX-RetinaNet に基づく茶葉の病気の検出と識別。科学。議員 12(1)、1-16。 https://doi.org/10.1038/s41598-022-06181-z (2022)。

記事 CAS Google Scholar

Zhao, Y.、Gong, L.、Huang, Y.、Liu, C. 収穫ロボットのビジョンベース制御の主要な技術のレビュー。計算します。電子。農業。 127、311–323。 https://doi.org/10.1016/j.compag.2016.06.022 (2016)。

記事 Google Scholar

Wang, Q.、Nuske, S.、Bergerman, M.、および Singh, S. リンゴ園の自動作物収量推定。実験ロボット工学 (pp. 745–758)。スプリンガー、(2013)。 https://doi.org/10.1007/978-3-319-00065-7_50。

Castelao Tetila, E.、Brandoli Machado, B.、Belete, NAS、Guimaraes, DA & Pistori, H. 無人航空機画像を使用した大豆の葉面病害の特定。 IEEE 地球科学。リモートセンサー。レット。 14 、2190–2194 。 https://doi.org/10.1109/LGRS.2017.2743715 (2017)。

記事 ADS Google Scholar

マニヤス、SR、他機械学習を使用した植物の病気の検出。 3C コンピューティング通信制御のための設計イノベーションに関する 2018 年国際会議議事録、ICDI3C 2018、インド、バンガロール、2018 年 4 月 25 ～ 26 日。 41–45 ページ (2018)。

Ferentinos、KP 植物病害の検出と診断のための深層学習モデル。計算します。電子。農業。 145、311–318。 https://doi.org/10.1016/j.compag.2018.01.009 (2018)。

記事 Google Scholar

Fuentes, A.、Yoon, S.、Kim, SC & Park, DS トマトの植物の病気と害虫をリアルタイムで認識するための堅牢な深層学習ベースの検出器。センサー 17(9)、2022。https://doi.org/10.3390/s17092022 (2017)。

論文 ADS PubMed PubMed Central Google Scholar

Tiwari, V.、Joshi, RC & Dutta, MK 葉画像を使用した多クラス植物病害の検出と分類に基づく高密度畳み込みニューラルネットワーク。エコル。情報 63、101289。 https://doi.org/10.1016/j.ecoinf.2021.101289 (2021)。

記事 Google Scholar

Hossain, MS、Mou, RM、Hasan, MM、Chakraborty, S. & Abdur Razzak, M. サポートベクターマシンを使用した茶葉の病気の認識と検出。議事録—2018 IEEE 14th International Colloquium on Signal Processing and its Application、CSPA 2018 150–154 (Institute of Electrical and Electronics Engineers Inc.、2018)。 https://doi.org/10.1109/CSPA.2018.8368703

Sun, Y.、Jiang, Z.、Zhang, L.、Dong, W. & Rao, Y. SLIC_SVM ベースの茶木の葉病顕著性マップ抽出。計算します。電子。農業。 157、102–109。 https://doi.org/10.1016/j.compag.2018.12.042 (2019)。

記事 Google Scholar

Hu, G.、Wei, K.、Zhang, Y.、Bao, W.、Liang, D. 自然風景画像における茶葉枯病の重症度の推定。正確です。農業。 22(4)、1239–1262。 https://doi.org/10.1007/s11119-020-09782-8 (2021)。

記事 CAS Google Scholar

Krizhevsky, A.、Sutskever, I.、および Hinton, GE によるディープ畳み込みニューラルネットワークによる Imagenet 分類。第 25 回神経情報処理システム国際会議議事録 - 第 1 巻、NIPS'12、1097 ～ 1105 ページ、米国、2012 年。Curran Associates Inc. (2012)

Simonyan, K.、Zisserman, A. 大規模な画像認識のための非常に深い畳み込みネットワーク。 arXiv プレプリント arXiv:1409.1556 (2014)。

セゲディ、C.ら。畳み込みでさらに深くなります。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (1 ～ 9 ページ) (2015)

Szegedy, C.、Vanhoucke, V.、Ioffe, S.、Shlens, J.、Wojna, Z. コンピュータービジョンの初期アーキテクチャの再考。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 2818–2826) (2016)。

He, K.、Zhang, X.、Ren, S.、Sun, J. 画像認識のための深層残差学習。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (770 ～ 778 ページ) (2016 年)。

Huang, G.、Liu, Z.、Van Der Maaten, L.、Weinberger, KQ 高密度に接続された畳み込みネットワーク。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 (pp. 4700–4708) (2017)。

Xue, Z.、Xu, R.、Bai, D. & Lin, H. YOLO-tea: YOLOv5 によって改良された茶病検出モデル。 Forests 14(2)、415。https://doi.org/10.3390/f14020415 (2023)。

記事 Google Scholar

Wang、L.、Yan、WQ ツリーは深層学習に基づいて葉を検出します。幾何学と視覚に関する国際シンポジウムにて (pp. 26–38)。チャム・スプリンガー（2021）。 https://doi.org/10.1007/978-3-030-72073-5_3

Jiang, P.、Ergu, D.、Liu, F.、Cai, Y.、Ma, B. Yolo アルゴリズム開発のレビュー。手順コンピューティング。科学。改訂 199 、1066–1073。 https://doi.org/10.1016/j.procs.2022.01.135 (2022)。

記事 Google Scholar

Wang, CY、Bochkovskiy, A.、Liao, HYM YOLOv7: トレーニング可能な景品の袋は、リアルタイム物体検出器の新しい最先端を確立します。 arXiv プレプリント arXiv:2207.02696 (2022)。 https://doi.org/10.48550/arXiv.2207.02696

Pham, V.、Nguyen, D.、および Donan, C. YOLOv7 を使用した道路損傷の検出と分類。 arXiv プレプリント arXiv:2211.00091 (2022)。 https://doi.org/10.48550/arXiv.2211.00091

Yang, F.、Zhang, X.、Liu, B. YOLOv7 と DeepSORT に基づくビデオオブジェクトトラッキング。 arXiv プレプリント arXiv:2207.12202 (2022)。 https://doi.org/10.48550/arXiv.2207.12202

Kuznetsova, A.、 Maleva, T.、および Soloviev, V. 一般画像とクローズアップ画像で YOLOv3 と YOLOv5 を使用して果樹園のリンゴを検出します。ニューラルネットワークに関する国際シンポジウムにて (pp. 233–243)。チャム・スプリンガー（2020）。 https://doi.org/10.1007/978-3-030-64221-1_20

Yan, B.、Fan, P.、Lei, X.、Liu, Z.、Yang, F. 改良された YOLOv5 に基づくピッキングロボット用のリアルタイムのリンゴターゲット検出方法。 Remote Sens. 13(9)、1619. https://doi.org/10.3390/rs13091619 (2021)。

記事 ADS Google Scholar

Kasper-Eulaers, M. et al. YOLOv5 を使用して、冬季の休憩所にある重量物車両を検出します。アルゴリズム 14(4)、114。https://doi.org/10.3390/a14040114 (2021)。

記事 Google Scholar

Chen, Y.、Zhang, C.、Qiao, T.、Xiong, J.、Liu, B. YOLOv5 に基づく光学センシング画像における船舶検出。第 12 回グラフィックスおよび画像処理に関する国際会議 (ICGIP 2020) (Vol. 11720、pp. 102–106)。スパイ (2021)。 https://doi.org/10.1117/12.2589395

ヤン、G.ら。画像認識に基づいたYOLOV5によるフェイスマスク認識システム。 2020 年の IEEE 第 6 回コンピュータと通信に関する国際会議 (ICCC) (pp. 1398–1404)。 IEEE (2020)。 https://doi.org/10.1109/ICCC51575.2020.9345042

ジュバイエル、F.ら。 YOLOv5を使用した食品表面のカビの検出。カー。解像度食品科学 4、724–728。 https://doi.org/10.1016/j.crfs.2021.10.003 (2022)。

記事 Google Scholar

Jiang, K. et al. アテンションメカニズムが改良された、麻アヒル数推定用の YOLOv7 オブジェクト検出アルゴリズム。農業 12(10)、1659。https://doi.org/10.3390/agriculture12101659 (2022)。

記事 Google Scholar

Zhao, H.、Zhang, H.、および Zhao, Y. Yolov7-sea: 改良された yolov7 に基づく海上 UAV 画像の物体検出。コンピュータービジョンのアプリケーションに関する IEEE/CVF 冬季会議議事録 (233 ～ 238 ページ) (2023)。

Patel, K.、Bhatt, C. & Mazzeo, PL 深層学習ベースの船舶の自動検出: 衛星画像を使用した実験的研究。Ｊ．イメージング。 8(7)、182。 https://doi.org/10.3390/jimaging8070182 (2022)。

記事 PubMed PubMed Central Google Scholar

Sun、YX、Zhang、YJ、Wei、ZH、Zhou、JT YOLOV7 に基づく熱間圧延鋼ストリップの表面欠陥の分類と位置の方法。 Metalurgija 62(2)、240–242 (2023)。

Google スカラー

Wang, Y.、Wang, H. & Xin, Z. YOLO-V7 に基づく鋼帯表面欠陥の効率的な検出モデル。 IEEE アクセス https://doi.org/10.1109/ACCESS.2022.3230894 (2022)。

記事 PubMed PubMed Central Google Scholar

Zheng, J.、Wu, H.、Zhang, H.、Wang, Z. & Xu, W. 改良された YOLOv7 に基づく絶縁体欠陥検出アルゴリズム。センサー 22(22)、8801。https://doi.org/10.3390/s22228801 (2022)。

論文 ADS PubMed PubMed Central Google Scholar

Tran、DNN、Pham、LH、Nguyen、HH、Jeon、JW YOLOv7 に基づく車両の都市規模のマルチカメラ車両追跡。 2022 年の IEEE アジア家電国際会議 (ICCE-Asia) (1 ～ 4 ページ)。 IEEE (2022)。 https://doi.org/10.1109/ICCE-Asia57006.2022.9954809

Sun、KX、および Cong、C。改良された YOLOv7 アルゴリズムに基づく胸部異常検出に関する研究。 2022 年の IEEE バイオインフォマティクスおよび生物医学国際会議 (BIBM) (pp. 3884–3886)。 IEEE (2022)。 https://doi.org/10.1109/BIBM55620.2022.9995687

Bayram, AF、Gurkan, C.、Budak, A. & Karataş, H. 説明可能な人工知能を支援した深層学習に基づく腎臓病の検出および予測モデル。ユーロ。 J.Sci. テクノロジー。 40、67–74 (2022)。

Google スカラー

ガロ、I. et al. 作物の雑草の深部オブジェクト検出: UAV 画像からの実際のケースデータセットに対する YOLOv7 のパフォーマンス。 Remote Sens. 15(2), 539. https://doi.org/10.3390/rs15020539 (2023)。

記事 ADS Google Scholar

チェン、J.ら。 YOLOv7 に基づくマルチスケールの軽量で効率的なモデル: 柑橘類の果樹園に適用されます。 Plants 11(23)、3260。https://doi.org/10.3390/plants11233260 (2022)。

記事 PubMed PubMed Central Google Scholar

Zhou、Y.ら。 Camellia oleifera 果実摘み点の適応型アクティブ位置決め: 古典的な画像処理と YOLOv7 融合アルゴリズム。応用科学。 12(24)、12959。https://doi.org/10.3390/app122412959 (2022)。

記事 CAS Google Scholar

Hu, G.、Wang, H.、Zhang, Y.、Wan, M. 深層学習に基づく茶葉枯れ病の検出と重症度分析。計算します。エレクトロ。 Eng.. 90、107023。https://doi.org/10.1016/j.compeleceng.2021.107023 (2021)。

記事 Google Scholar

Gayathri, S.、Wise, DJW、Shamini, PB、Muthukumaran, N. 深層学習を使用した画像分析と茶葉の病気の検出。 2020 年のエレクトロニクスと持続可能な通信システムに関する国際会議 (ICESC) (pp. 398–403)。 IEEE (2020)。 https://doi.org/10.1109/ICESC48915.2020.9155850

ラサ、RS、他。ディープコンボリューションニューラルネットワークを使用した茶葉の病気の自動検出。 2021 年にコンピュータ通信と情報学に関する国際会議 (ICCCI) (pp. 1–6)。 IEEE (2021)。 https://doi.org/10.1109/ICCCI50826.2021.9402225

Datta, S. & Gupta, N. ディープニューラルネットワークを使用した茶葉の病気を検出するための新しいアプローチ。手順計算します。科学。 218、2273–2286。 https://doi.org/10.1016/j.procs.2023.01.203 (2023)。

記事 Google Scholar

Chen, J.、Liu, Q.、Gao, L. 畳み込みニューラルネットワークモデルを使用した視覚的な茶葉病害認識。シンメトリー 11(3)、343。https://doi.org/10.3390/sym11030343 (2019)。

記事 ADS Google Scholar

Mukhopadhyay, S.、Paul, M.、Pal, R. & De, D. 多目的画像セグメンテーションを使用した茶葉の病気の検出。マルチメッド。ツールアプリケーション 80、753–771。 https://doi.org/10.1007/s11042-020-09567-1 (2021)。

記事 Google Scholar

マムン、MSA バングラデシュの紅茶生産: ブッシュからマグカップまで。アグロン。クロップス Vol. 製品。テクノロジー。 https://doi.org/10.1007/978-981-32-9151-5_21 (2019)。

記事 Google Scholar

Lin, J.、Bai, D.、Xu, R. & Lin, H. TSBA-YOLO: 注意メカニズムと特徴融合に基づいた改良された茶病検出モデル。 Forests 14(3)、619。https://doi.org/10.3390/f14030619 (2023)。

記事 Google Scholar

Chen, J.、Bai, S.、Wan, G.、Li, Y. 自動車用ランニングライトの YOLOv7 ベースの欠陥検出方法に関する研究。システム。科学。制御工学 11(1)、2185916。https://doi.org/10.1080/21642583.2023.2185916 (2023)。

記事 Google Scholar

Yung, NDT, Wong, WK, Juwono, FH, & Sim, ZA 深層学習を利用した安全ヘルメット検出: YOLOv5、YOLOv6、YOLOv7 を用いた実装と比較検討。 2022 年のグリーンエネルギー、コンピューティング、持続可能な技術に関する国際会議 (GECOST) (pp. 164–170)。 IEEE。（2022年）。 https://doi.org/10.1109/GECOST55694.2022.10010490

Hu, B.、Zhu, M.、Chen, L.、Huang, L.、Chen, P.、He, M. 改良された YOLOv7 に基づく樹種識別方法。 2022 年、クラウドコンピューティングとインテリジェントシステム (CCIS) に関する IEEE 第 8 回国際会議 (pp. 622–627)。 IEEE。（2022年）。 https://doi.org/10.1109/CCIS57298.2022.10016392

Liu、X.、Yan、WQ カスタマイズされた YOLOv7 を使用した車両関連の距離推定。画像およびビジョンコンピューティング: 第 37 回国際会議、IVCNZ 2022、ニュージーランド、オークランド、2022 年 11 月 24 ～ 25 日、厳選された論文の改訂 (91 ～ 103 ページ)。チャム：シュプリンガー・ネイチャー・スイス。（2023年）。 https://doi.org/10.1007/978-3-031-25825-1_7

Yuan, W. リンゴの花のつぼみ分類の画像注釈品質に関する YOLOv7 と YOLOv4 の精度比較。アグリエンジニアリング。 5(1)、413–424。 https://doi.org/10.3390/agriengineering5010027 (2023)。

記事 Google Scholar

リファレンスをダウンロードする

著者らは、茶葉の病気の正体を検証する上で支援をしていただいたシレット農業大学昆虫学部のフアド・モンダル教授に感謝したいと思います。

この研究活動は、シレット農業大学研究システム (SAURES) (プロジェクト ID. SAURES-UGC-21-22-82) を通じて、バングラデシュの大学助成委員会 (UGC) から資金の一部を受けています。資金提供団体は、実験の実施、現場や研究室での作業、資料収集などに資金を提供されています。この論文の執筆と出版には資金提供は受けていません。著者たちは、この原稿の執筆、査読、編集、出版にかかる費用を負担しました。

ジャニブル・アラム・ソーブ医師とファハド・ジュバイエル医師も同様に貢献しました。

シレット農業大学農業電力機械学部、シレット、3100、バングラデシュ

医学博士。ジャニブルアラムソーブ、タフミナアカンジータリン、ムハマドラシェドアルマムン

シレット農業大学食品工学技術学部、シレット、3100、バングラデシュ

医学博士。ファハド・ジュバイヤー

シレット農業大学、農業建設および環境工学部、シレット、3100、バングラデシュ

ファヒム・マハフズ・ルハド

環境修復グローバルセンター (GCER)、工学、科学、環境学部、ニューカッスル大学、キャラハン、ニューサウスウェールズ州、2308、オーストラリア

アニー・パルヴェン & イスラム医師メフタウル

シェレバングラ農業大学、ダッカ、1207、バングラデシュ農芸化学科

アニー・パルヴェン & イスラム医師メフタウル

ブルネイ工科大学工学部石油化学工学、バンダル・スリ・ブガワン、BE1410、ブルネイ・ダルサラーム

ナビサブ・ムジャワル・ムバラク

ブルネイダルサラーム大学総合技術学部、バンダルスリブガワン、BE1410、ブルネイダルサラーム

ソニ・ランカ・カーリ

PubMed Google Scholar でこの著者を検索することもできます

MJAS と MFJ は、原稿の概念化、プログラミング、執筆、レビュー、最終仕上げに等しく貢献しました。 FMR はコーディングを行い、モデルのトレーニングとテストに携わりました。 TAT と MRAM は、データ収集とレビューの作成に多大な貢献をしました。 AP、NMM、SLK が執筆、レビュー、編集に貢献しました。 IMM はデータ処理、執筆、レビュー、原稿の完成に貢献しました。著者全員が原稿を読んで貢献しました。すべての著者は、作品のあらゆる部分の正確性または完全性に関連する問題が適切に調査され、解決されることを保証する上で、作品の側面に対して責任を負うことに同意します。

MDへの対応。ジャニブル・アラム・ソーブ、メリーランド州ファハド・ジュバイヤー、ナビサブ・ムジャワル・ムバラク、またはイスラム医師。メフタウル。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

ソーブ、MJA、ジュバイエル、MF、タリン、TA 他 YOLOv7 (YOLO-T) に基づく茶葉の病気の検出と識別。 Sci Rep 13、6078 (2023)。 https://doi.org/10.1038/s41598-023-33270-4

引用をダウンロード

受信日: 2023 年 2 月 23 日

受理日: 2023 年 4 月 11 日

公開日: 2023 年 4 月 13 日

DOI: https://doi.org/10.1038/s41598-023-33270-4

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。

プロファーマグループが生命を届けるための革新的な新しい運用モデルを開始

元気の森はサイデルのハイを選択

ニュース

YOLOv7 に基づく茶葉の病気の検出と識別 (YOLO