[論文レビュー] A comprehensive review on Plant Leaf Disease detection using Deep learning
この論文は、ViT、DCNN/CNN、RSNSR-LDD、DDN、YOLO などのアーキテクチャを、公的データセット上で共通の指標を用いて比較し、植物の葉の病害検出の深層学習モデルについて系統的レビューを提供します。
Leaf disease is a common fatal disease for plants. Early diagnosis and detection is necessary in order to improve the prognosis of leaf diseases affecting plant. For predicting leaf disease, several automated systems have already been developed using different plant pathology imaging modalities. This paper provides a systematic review of the literature on leaf disease-based models for the diagnosis of various plant leaf diseases via deep learning. The advantages and limitations of different deep learning models including Vision Transformer (ViT), Deep convolutional neural network (DCNN), Convolutional neural network (CNN), Residual Skip Network-based Super-Resolution for Leaf Disease Detection (RSNSR-LDD), Disease Detection Network (DDN), and YOLO (You only look once) are described in this review. The review also shows that the studies related to leaf disease detection applied different deep learning models to a number of publicly available datasets. For comparing the performance of the models, different metrics such as accuracy, precision, recall, etc. were used in the existing studies.
研究の動機と目的
- 植物の葉の病害検出に使用される深層学習モデルの全体像を調査する。
- 葉の病害タスクにおける異なるアーキテクチャの利点と制限を要約する。
- 葉の病害研究で用いられるデータセットと評価指標を論じる。
- 分野のギャップと将来の方向性を強調する。
提案手法
- 深層学習を用いた葉の病害検出研究の体系的文献調査。
- 分析対象の分類および物体検出アーキテクチャ（ViT, CNN, RSNSR-LDD, DDN, YOLO）。
- 公的データセットに跨る精度、適合率、再現率などの報告指標に基づく比較。
実験結果
リサーチクエスチョン
- RQ1植物の葉の病害検出にはどのような深層学習アーキテクチャが適用されているか？
- RQ2これらの研究で報告されている性能指標とデータセットは何か？
- RQ3葉の病害タスクにおける各モデルタイプの主な利点と制限は何か？
- RQ4現在の葉の病害検出研究に存在するギャップは何か、どう対処できるか？
主な発見
- ViT、CNNベースのネットワーク、RSNSR-LDD、DDN、YOLOなど、葉の病害検出には複数の深層学習モデルが適用されている。
- 研究では、さまざまな公的データセットと、精度、適合率、再現率といった共通の指標を用いて性能を評価している。
- このレビューは、葉の病害検出の文脈における各モデルカテゴリーの利点と制限を論じている。
- データセットと評価プロトコルにはばらつきがあり、標準化されたベンチマークの必要性を示している。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。