Early-Stage Brown Spot Disease Recognition in Paddy Using Image Processing and Deep Learning Techniques
Notice bibliographique
Résumé
India is an agricultural country. Paddy is the main crop here on which the livelihood of millions of people depends. Brown spot disease caused by fungus is the most predominant infection that appears as oval and round lesions on the paddy leaves. If not addressed on time, it might result in serious crop loss. Pesticide use for plant disease treatment should be limited because it raises costs and pollutes the environment. Usage of pesticide and crop loss both can be minimized if we recognize the disease in a timely manner. Our aim is to develop a simple, fast, and effective deep learning structure for early-stage brown spot disease detection by utilizing infection severity estimation using image processing techniques. The suggested approach consists of two phases. In the first phase, the brown spot infected leaf image dataset is partitioned into two sets named as early-stage brown spot and developed stage brown spot. This partition is done on the basis of calculated infection severity. Infection severity is computed as a ratio of infected pixel count to total leaf pixel count. Total leaf pixel counts are determined by segmenting the leaf region from the background image using Otsu's thresholding technique. Infected pixel counts are determined by segmenting infected regions from leaf regions using Triangle thresholding segmentation. In the second phase, a fully connected CNN architecture is built for automatic feature extraction and classification. The CNN-based classification model is trained and validated using early-stage brown spot, developed stage brown spot, and healthy leaves images of rice plants. Early-stage brown spot and developed stage brown spot images used in training and validation are the same images that are obtained in phase 1. The experimental analysis shows that the proposed fully connected CNN-based early-stage brown spot disease recognition model is an effective approach. The classification accuracy of the suggested model is found to be 99.20%. The result of the suggested method is compared with those existing CNN-based disease recognition and classification methods that have used leaf images to recognize the diseases. It is observed that the performance of our method is significantly better than compared methods.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».