PFDI: a precise fruit disease identification model based on context data fusion with faster-CNN in edge computing environment
Notice bibliographique
Résumé
Abstract Fruits have a significant impact on everyday living i.e., citrus fruits. Numerous fruits have a solid nutritious value and are packed with multivitamins and trace components. Citrus fruits are delicate, so they are susceptible to many diseases and infections. Many researchers have suggested various deep learning and machine learning based fruit disease detection and classification models. In this research we are presenting precise fruit disease identification (PFDI) model based on context data fusion with Faster-CNN in edge computing environment. The goal is to develop a precise, efficient, and trustable fruit disease detection model, which is a critical component of an autonomous food production in robotic edge platform. This research examines and explores four different diseases of citrus fruits using CNN deep learning models to be adopted as edge computing solution. Identification of citrus diseases namely cankers black spot, greening, scab, melanose, and healthy citrus fruits are implemented using the proposed sequential model without pruning, with pruning having different sparsity level followed by post quantization. Through transfer learning method, we optimize this model for the assignment of fruit disease detection employing visuals from two patterns: Near-infrared (NIFR) and RGB. For integrating multi-model (NIFR and RGB) facts, early and late data fusion techniques are evaluated. The accuracy obtained from the proposed model for the canker disease is 97%,scab 95%, melanose 99% ,Greening 97%,Black spot 97% and for healthy 97%. In this paper we compared and evaluated the results of proposed model with the sparsity levels of 50–80%, 60–90%, 70–90%, 80–90% pruning and also obtained the results of post-quantization on each level. The results show that the size of the model with 60–90% pruning can be counteracted to the 47.64 of the baseline model without significant loss of accuracy. Moreover, post quantization can further reduces the of 60–90% pruning from 28.16 to 8.72. In addition to enhanced precision, the above initiative is much faster to implement for new fruits diseases because it needs bounding box annotation (BBA) instead of pixel-level annotation (PLA).
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 ».