Cucumber powdery mildew detection using hyperspectral data
Notice bibliographique
Résumé
This study aimed to understand the spectral changes induced by Podosphaera xanthii, the causal agent of powdery mildew, in cucumber leaves from the moment of inoculation until visible symptoms are apparent. A principal component analysis (PCA) was applied to the spectra to assess the spectral separability between healthy and infected leaves. A spectral ratio between infected and healthy leaf spectra was used to determine the best wavelengths for detecting the disease. Additionally, the spectra were used to compute two spectral variables [i.e., the red-well point (RWP) and the red-edge inflexion point (REP)]. A linear support vector machine (SVM) classifier was applied to certain spectral features to assess how well these features can separate the infected leaves from the healthy ones. The PCA showed that a good separability could be achieved from 4 days post-inoculation (DPI). The best model to fit the RWP and REP wavelengths corresponded to a linear model. The linear model had a higher adjusted R 2 for the infected leaves than for the healthy leaves. The SVM trained with five first principal components scores achieved an overall accuracy of 95% at 4 DPI (i.e., two days before the visible symptoms). With the RWP and REP parameters, the SVM accuracy increased as a function of the day of inoculation, reaching 89% and 86%, respectively, when symptoms were visible at 6 DPI. Further research must consider a higher number of samples and more temporal repetitions of the experiment.
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 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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 tête enseignante, 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 ».