Deep Learning-Assisted SVMs for Efficacious Diagnosis of Tomato Leaf Diseases: A Comparative Study of GoogleNet, AlexNet, and ResNet-50
Notice bibliographique
Résumé
Plant diseases contribute to substantial yield and quality deficits in agricultural production, thus necessitating rapid and precise identification techniques.Conventional plant protection efforts, reliant on the ocular inspection of diseases and pests affecting tomato plants, suffer from protracted durations and varying degrees of accuracy.As the demand for precision agriculture escalates, the development of efficient, rapid, and more importantly, computeraided disease recognition systems have emerged as a crucial requirement.In this study, feature extraction was performed utilizing three prominent pre-trained convolutional neural network (CNN) models, namely GoogleNet, AlexNet, and ResNet-50.A novel deep learning model, which amalgamates features derived from these distinct CNN architectures, was subsequently introduced.Training of a Support Vector Machine (SVM) classifier was accomplished using these deep features.The proposed model was employed for classifying images of tomato plant diseases, part of the publicly accessible PlantVillage dataset from Kaggle, comprising 18,835 labeled images of tomato plant leaves.The hold-out validation strategy was implemented for model evaluation, using metrics such as accuracy, precision, sensitivity, and F-Scores.The experimental results affirm the efficacy of combined deep features in detecting diseases in tomato plants, with a remarkable accuracy of 96.99%.These findings underscore the potential of our approach in transforming the landscape of precision agriculture by offering a more accurate and efficient means of disease detection.
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 | 0,000 | 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 ».