Calcium Deficiency Diagnosis in Maize Leaves Using Imaging Methods Based on Texture Analysis
Notice bibliographique
Résumé
The artificial vision system (AVS) uses image analysis methods that can interpret images and identify nutritional deficiency symptoms in plant, even in the early stages of development. The objective of this study was to propose methods of image processing using analysis by texture to identify the deficiency of calcium (Ca) in maize (Zea mays L.) plants grown in nutrient solution. Plants were grown in nutrient solution in a greenhouse. Calcium doses were 0.0; 1.7; 3.3 and 5.0 mM of Ca, with four replications. Plant and leaf images were sampled at three main stages of maize development: V4 (plants with four leaves fully developed), V6 (plants with six leaves fully developed) and V8 (plants with eight leaves fully developed). Sampled material was split into (i) index leaf (IL) of the growing stage (V4 = leaf 4, V6 = leaf 6, and V8 = leaf 8), and (ii) new leaf (OL), both to image capture and chemical analysis. Such leaves were scanned, processed by the AVS and chemically analyzed. The texture methods used by the AVS to extract deficiency characteristics in the leaf images were: Volumetric Fractal Dimension (VFD), Gabor Wavelet Energy (GWE) and VFD with canonical analysis (VFDCA). The amount of Ca in the solution resulted in variation in the concentration of Ca in NL and IL, allowing the observation of typical symptoms of Ca deficiency. The AVS method was able to identify all Ca levels in leaves, being the GWE the best indicator using color images, scoring 80% of rights in images of the middle section of new leaves in V4.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».