Pesticide Recommendation for Different Leaf Diseases and Related Pests Using Multi-Dimensional Feature Learning Deep Classifier
Notice bibliographique
Résumé
In agricultural applications, the most essential task is to classify leaf diseases and their associated pests from various aspects.To achieve this, a Deep Convolutional Neural Network (DCNN) model was developed to classify the leaf diseases based on the soil and climatic features.But it needs a recommendation system to control the pesticide use for controlling the leaf diseases caused by specific pests.Hence, this paper hybridizes the Multi-dimensional Feature Learning-based DCNN (MFL-DCNN) with the Rough Set (RS) on an intuitionistic Fuzzy approximation space (RSF)-based decision support system to suggest the proper pesticides for a certain crop to be planted in a particular region.First, the leaf images are augmented by the Positional-aware Dual-Attention and Topology-Fusion with Evolutionary Generative Adversarial Network (PDATFEGAN) model.Then, the multi-dimensional data such as the created leaf images, pest, soil, weather, and pesticide data are fed to the DCNN with a softmax classifier for classifying leaf diseases and related pests.Then, the RSF-based decision model is applied, which determines the correlation between leaf disease and pests to recommend suitable pesticides.Finally, the experimental results reveal that the MFL-DCNN-RSF accomplishes a maximum efficiency than all other models for recommending pesticides to control leaf diseases and pests.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».