Detection of Cassava Leaves in Multi-Temporally Acquired Digital Images of a Cassava Field Under Different Brightness Levels by Simultaneous Binarization of the Images Based on Indices of Redness/Greenness
Notice bibliographique
Résumé
Plant leaf area reveals various types of abnormalities which can enable appropriate plant/crop management actions. The quantification of plant leaf area is now feasible using commonly available digital photographing tools. Changes in brightness, however, make it difficult to compare leaf areas in digital photographs acquired at multiple time points. This difficulty could be overcome by employing an index of redness/greenness (R/G), which was suggested to be one of the best indices to discriminate between plant leaves and other objects such as soils. R/G and other indices were examined when discriminating cassava leaves from other objects in a field. A surveillance camera captured digital photographs on a daily basis. Of these, 183 photographs were stored. They were pasted into a single image file and simultaneously analyzed. The International Commission on Illumination color model’s a* was the best index in the discrimination, with a distinctiveness score of 1.36. R/G was the second best, with a distinctiveness score of 0.70. The percentage of leaf-likely pixels followed sigmoidal patterns with time, resulting in great coefficients of determination of 0.981 (a*) and 0.965 (R/G). The percentage of leaf-likely pixels and cassava leaf weight had a real-time response relationship. The range of the 95% confidence limit was narrowed from -16 to +14% of a predicted value of 98% leaf-likely pixels for R/G to ±12% for a*. Thus, the simultaneous binarization and the detection of leaf-likely pixels in the photographs acquired under different brightness levels was enabled with improved discrimination accuracy by employing a*.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».