Detection of Sugarcane Mosaic Diseases Using Deep Learning Architecture to Avoid Annealing Temperature of PCR Primer in Laboratory Testing
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
The sugarcane leaf diseases such as mosaic and streak mosaic are difficult to differentiate using Image processing techniques because both diseases show similar visual attributes such as pattern and color. To identify the type of diseases, we need to perform Polymerase Chain Reaction (PCR) testing which is used for the classification of diseases in laboratories. The accuracy of the PCR test depends on reaction mix preparation, reaction time, and DNA/RNA extraction. The major problem influencing the PCR test accuracy is the Annealing temperature of the primers and needs a standardized set of samples. In addition, it is a time-consuming process. In this paper, we proposed a Diversified Deep Learning Architecture (DDLA) which is developed with the input images after various pre-processing steps such as denoising using Discrete Wavelet Transform (DWT) and enhancing using histogram equalization in HSI color space to improve the similar pattern disease prediction accuracy. The performance of the proposed model is analyzed for a set of diseased leaves and the results are compared with the output of the popular pertained models such asVGG16, InceptionV3, ResNET50, Inception ResNET, and DenseNET201 with and without pre-processing. The training accuracy of the proposed model is 97% and the testing accuracy is 87%. The DDLA model produces ground truth test results with an accuracy of 88.7% for mosaic and 85.7% for streak mosaic with a less computational time of 152sec compared to the lab test duration of 6 hrs. The performance of the model is also measured in terms of Precision, F1 Score, Specificity, and Sensitivity. The Proposed DDLA model’s F1 score is higher than the pre-trained models with a minimum test loss of 1.167. Moreover, the DDLA structure occupies less memory space when compared to the pertained models.
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 | 0,001 |
| 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 découle