Detection of a Potato Disease (Early Blight) Using Artificial Intelligence
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study evaluated the potential of using machine vision in combination with deep learning (DL) to identify the early blight disease in real-time for potato production systems. Four fields were selected to collect images (n = 5199) of healthy and diseased potato plants under variable lights and shadow effects. A database was constructed using DL to identify the disease infestation at different stages throughout the growing season. Three convolutional neural networks (CNNs), namely GoogleNet, VGGNet, and EfficientNet, were trained using the PyTorch framework. The disease images were classified into three classes (2-class, 4-class, and 6-class) for accurate disease identification at different growth stages. Results of 2-class CNNs for disease identification revealed the significantly better performance of EfficientNet and VGGNet when compared with the GoogleNet (FScore range: 0.84–0.98). Results of 4-Class CNNs indicated better performance of EfficientNet when compared with other CNNs (FScore range: 0.79–0.94). Results of 6-class CNNs showed similar results as 4-class, with EfficientNet performing the best. GoogleNet, VGGNet, and EfficientNet inference time values ranged from 6.8–8.3, 2.1–2.5, 5.95–6.53 frames per second, respectively, on a Dell Latitude 5580 using graphical processing unit (GPU) mode. Overall, the CNNs and DL frameworks used in this study accurately classified the early blight disease at different stages. Site-specific application of fungicides by accurately identifying the early blight infected plants has a strong potential to reduce agrochemicals use, improve the profitability of potato growers, and lower environmental risks (runoff of fungicides to water bodies).
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 découle