A labeled spectral dataset with cassava disease occurrences using virus titre determination protocol
Notice bibliographique
Résumé
In this work, we present a novel dataset composed of spectral data and images of cassava crops with and without diseases. Together with the description of the dataset, we describe the protocol to collect such data in a controlled environment and in an open field where pests are not controlled. Crop disease diagnosis has been done in the past through the analysis of plant images taken with a smartphone camera. However, in some cases, disease symptoms are not visible. Furthermore, for some cassava diseases, once symptoms have manifested on the aerial part of the plant, the root which is the edible part of the plant has been totally destroyed. The goal of collecting this multimodality of the crop disease is early intervention, following the hypothesis that diseased crops without visible symptoms can be detected using spectral information. We collected visible and near-infrared spectra captured from leaves infected with two common cassava diseases namely; Cassava Brown Streak Disease and Cassava Mosaic Disease, as well as from healthy plants. Together, we also captured leaf imagery data that corresponds to the spectral information. In our experiments, biochemical data is collected and taken as the ground truth. Finally, agricultural experts provided a disease score per plant leaf from 1 to 5, 1 representing healthy and 5 severely diseased. The process of disease monitoring and data collection took 19 and 15 consecutive weeks for screenhouse and open field, respectively, until disease symptoms were visibly seen by the human eye.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».