Evaluation of Machine Learning Models for Plant Disease Classification Using Modified GLCM and Wavelet Based Statistical Features
Notice bibliographique
Résumé
In this paper, different types of plant diseases in the PlantVillage dataset are getting focused for classification.In the realm of machine vision, plant disease identification is one of the most crucial tasks in the agricultural sector.It is a technique that employs equipment to capture images to detect and classify different types of diseases in plants.However, nakedeye monitoring of plants is impractical due to long processing times and a lack of specialists on farms in remote locations.Hence, combining image processing techniques with machine learning provides a solution to the problem of agricultural production while also ensuring food security.The plant features are extracted using a modified gray-level co-occurrence matrix (GLCM) technique and based on various statistical features.Both of these approaches were applied on original images with background and segmented images without background.Wavelet transform is also used with segmented images to decompose the image into sub-bands.All the features obtained are combined and SMOTE technique is used to balance the dataset prior to classification.For the purpose of classification, six machine learning models were compared, namely Light Gradient Boosting Machine (LGBM), Random Forest (RF), Decision Trees (DT), Logistic Regression (LG), AdaBoost, and Support Vector Machine (SVM).Further, different combinations of features were experimented and the experimental results prove that employing LGBM and SVM models resulted in attaining higher accuracy values i.e. 94.39% and 93.15%, respectively.
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 | 0,001 | 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 | 0,000 | 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 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 ».