Beans Leaf Diseases Classification Using MobileNet Models
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
In recent years, plant leaf diseases has become a widespread problem for which an accurate research and rapid application of deep learning in plant disease classification is required, beans is also one of the most important plants and seeds which are used worldwide for cooking in either dried or fresh form, beans are a great source of protein that offer many health benefits, but there are a lot of diseases associated with beans leaf which hinder its production such as angular leaf spot disease and bean rust disease. Thus, an accurate classification of bean leaf diseases is needed to solve the problem in the early stage. A deep learning approach is proposed to identify and classify beans leaf disease by using public dataset of leaf image and MobileNet model with the open source library TensorFlow. In this study, we proposed a method to classify beans leaf disease and to find and describe the efficient network architecture (hyperparameters and optimization methods). Moreover, after applying each architecture separately, we compared their obtained results to find out the best architecture configuration for classifying bean leaf diseases and their results. Furthermore, to satisfy the classification requirements, the model was trained using MobileNetV2 architecture under the some controlled conditions as MobileNet to check if we could get faster training times, higher accuracy and easier retraining, we evaluated and implemented MobileNet architectures on one public dataset including two unhealthy classes (angular leaf spot disease and bean rust disease) and one healthy class, the algorithm was tested on 1296 images of bean leaf. The obtained results showed that our MobileNet model achieves high classification performance for beans leaf disease, the classification average accuracy of the proposed model is more than 97% on training dataset and more than 92% on test data for two unhealthy classes and one healthy class.
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 | 0,001 | 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) | 0,001 | 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 découle