Convolutional Neural Network-Based Classification Model of Corn Leaf Disease
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 decline in corn production can affect the continuity of food grown in society, especially in Indonesia, which is a country with a high level of corn consumers. Several factors cause a decrease in the production of corn plants, one of which is unhealthy plants so that their growth slows down and even makes the corn plants not bear fruit or are damaged. Therefore, a system is needed that can identify diseases in corn plants so that appropriate treatment can be carried out as early as possible to prevent severe damage to corn plants. With this research, the system can be built by utilizing machine learning in building a classification system using the Convolutional Neural Network (CNN) algorithm with a dataset of corn leaf images taken from farmers' fields in the Madura Region with four target classes namely healthy, gray leaf spot, blight, and common rust. Testing was carried out using several CNN architectural models such as SqueezeNet, AlexNet, ResNet-101, ResNet-50, and ResNet-18. The parameters used were 5 epochs with 100 iterations, a learning rate of 0.0001, using Adam optimization, and a data distribution of 70% for training data and 30% for testing data. The test results obtained in classifying corn images using the Convolutional Neural Network method with the ResNet-50 architecture provide a very good accuracy value of 95.59%.
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 | 0,000 |
| 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 découle