Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Author Profiling with Classification Restricted Boltzmann Machines Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Spectral Analysis of CNN for Tomato Disease Identification

verfasst von : Alvaro Fuentes, Dong Hyeok Im, Sook Yoon, Dong Sun Park

Erschienen in: Artificial Intelligence and Soft Computing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Although Deep Convolutional Neural Networks have been widely applied for object recognition, most of the works have often based their analysis on the results generated by a specific network without considering how the internal part of the network itself has generated those results. The visualization of the activations and features of the neurons generated by the network can help to determine the best network architecture for our proposed idea. By the application of deconvolutional networks and deep visualization, in this work, we propose an analysis to determine which kind of images with different color spectrum provide better information to generate a better accuracy of our CNN model. The focus of this study is mostly based on the identification of diseases and plagues on plants. Experimental results on images with different diseases from our Tomato disease dataset show that each disease contains valuable information in the infected part of the leaf that responds differently to other uninfected parts of the plant.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Parallel Levenberg-Marquardt Algorithm Without Error Backpropagation
Nächstes Kapitel From Homogeneous Network to Neural Nets with Fractional Derivative Mechanism
Literatur
1.
Moshou, D., Bravo, C., Oberti, R., West, J., Bodria, L., Mc Cartney, A., Ramon, H.: Plant disease detection based on data fusion of hyperspectral and multi-spectral fluorescence imaging using Kohonen maps. Real-Time Imaging 11(2), 75–83 (2005). Spectral Imaging IICrossRef
2.
Everingham, M., Van Gool, L., Williams, C.K., Winn, J., Zissermann, A.: The pascal visual object classes (VOC) challenge. Int. J. Comput. Vision 88(2), 303–338 (2010). SpringerCrossRef
3.
Russakowsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Huang, Z., Karphathy, A., Khosla, A., Bernstein, M., Berg, A.: ImageNet large scale visual recognition challenge. Int. J. Comput. Vis. (IJCV) 115(3), 211–252 (2015). SpringerMathSciNetCrossRef
4.
Krizhevsky, A., Sutskever, I., Hinton. G.: ImageNet classification with deep convolutional neural networks. In: Advances in Neural Information Processing Systems, vol. 25, pp. 1097–1105 (2012)
5.
Zeiler, M.D., Fergus, R.: Visualizing and understanding convolutional networks. In: Fleet, D., Pajdla, T., Schiele, B., Tuytelaars, T. (eds.) ECCV 2014. LNCS, vol. 8689, pp. 818–833. Springer, Cham (2014). doi:10.​1007/​978-3-319-10590-1_​53
6.
Simoyan, K., Zisserman, A.: Very deep convolutional networks for large-scale image recognition. In: International Conference on Learning Representations - ICLR 2015 (2015)
7.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhouke, D., Ravinovich, A.: Going deeper with convolutions. In: Computer Vision and Pattern Recognition - CVPR 2015 (2015)
8.
He, K., Zhang, X., Ren, S., Sun, J.: Deep residual learning for image recognition. In: Computer Vision and Pattern Recognition - CVPR 2016 (2016)
9.
Sladojevic, S., Arsenovic, M., Anderla, A., Culibr, D., Stefanovic, D.: Deep neural networks based recognition of plant diseases by leaf image classification. Comput. Intell. Neurosci. 6, 1–11 (2016)CrossRef
10.
Mohanty, S., Hughes, D., Salathe, M.: Using deep learning for image-based plant disease detection. Front. Plant Sci. 7, 1419 (2016)CrossRef
11.
Yosinski, J., Clune, J., Nguyen, A., Fuchs, T., Lipson, H.: Understanding neural networks through deep visualization. In: International Conference on Machine Learning, Deep Learning Workshop, Lille, France (2015)
12.
Sankaran, S., Mishra, A., Ehsani, R.: A review of advanced techniques for detecting plant disease. Comput. Electron. Agric. 72(1), 1–13 (2010)CrossRef
13.
Wang, H., Li, G., Ma, Z., Li, X.: Application of neural networks to image recognition of plant diseases. In: International Conference on Systems and Informatics (ICSAI) (2012)
Metadaten
Titel
Spectral Analysis of CNN for Tomato Disease Identification
verfasst von
Alvaro Fuentes
Dong Hyeok Im
Sook Yoon
Dong Sun Park
Copyright-Jahr
2017
Buch
Artificial Intelligence and Soft Computing

Print ISBN: 978-3-319-59062-2

Electronic ISBN: 978-3-319-59063-9

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-59063-9_4