Automated Visual Identification of Foliage Chlorosis in Lettuce Grown in Aquaponic Systems
Notice bibliographique
Résumé
Chlorosis, or leaf yellowing, in crops is one of the quality issues that primarily occurs due to interference in the production of chlorophyll contents. The primary contributors to inadequate chlorophyll levels are abiotic stresses, such as inadequate environmental conditions (temperature, illumination, humidity, etc.), improper nutrient supply, and poor water quality. Various techniques have been developed over the years to identify leaf chlorosis and assess the quality of crops, including visual inspection, chemical analyses, and hyperspectral imaging. However, these techniques are expensive, time-consuming, or require special skills and precise equipment. Recently, computer vision techniques have been implemented in the agriculture field to determine the quality of crops. Computer vision models are accurate, fast, and non-destructive, but they require a lot of data to achieve high performance. In this study, an image processing-based solution is proposed to solve these problems and provide an easier, cheaper, and faster approach for identifying the chlorosis in lettuce crops grown in an aquaponics facility based on their sensory property, foliage color. The ‘HSV space segmentation’ technique is used to segment the lettuce crop images and extract red (R), green (G), and blue (B) channel values. The mean values of the RGB channels are computed, and a color distance model is used to determine the distance between the computed values and threshold values. A binary indicator is defined, which serves as the crop quality indicator associated with foliage color. The model’s performance is evaluated, achieving an accuracy of 95%. The final model is integrated with the ontology model through a cloud-based application that contains knowledge related to abiotic stresses and causes responsible for lettuce foliage chlorosis. This knowledge can be automatically extracted and used to take precautionary measures in a timely manner. The proposed application finds its significance as a decision support system that can automate crop quality monitoring in an aquaponics farm and assist agricultural practitioners in decision-making processes regarding crop stress management.
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 | 0,004 |
| 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 ».