Corn Leaf Disease Detection with Pertinent Feature Selection Model Using Machine Learning Technique with Efficient Spot Tagging Model
Notice bibliographique
Résumé
Crop diseases constitute a substantial threat to food safety but, due to the lack of a critical basis, their rapid identification in many parts of the world is challenging. The development of accurate techniques in the field of image categorization based on leaves produced excellent results. Plant phenotyping for plant growth monitoring is an important aspect of plant characterization. Early detection of leaf diseases is crucial for efficient crop output in agriculture. Pests and diseases cause crop harm or destruction of a section of the plant, leading to lower food productivity. In addition, in a number of less-developed countries, awareness of pesticide management and control, as well as diseases, is limited. Some of the main reasons for decreasing food production are toxic diseases, poor disease control and extreme climate changes. The quality of farm crops may be influenced by bacterial spot, late blight, septoria and curved yellow leaf diseases. Because of automatic leaf disease classification systems, action is easy after leaf disease signs are detected. Applying image processing and machine learning methodologies, this research offers an efficient Spot Tagging Leaf Disease Detection with Pertinent Feature Selection Model using Machine Learning Technique (SPLDPFS-MLT). Different diseases deplete chlorophyll in leaves generating dark patches on the surface of the leaf. Machine learning algorithms can be used to identify image pre-processing, image segmentation, feature extraction and classification. Compared with traditional models, the proposed model shows that the model performance is better than those existing.
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 | 0,001 | 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 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 ».