Computer Vision and Deep Learning for Precise Agriculture: A Case Study of Lemon Leaf Image Classification
Notice bibliographique
Résumé
Abstract Crop protection, an crucial field of precise agriculture, requires attention and improvement, as it secures sustainability and safety of crop and food production. There are various threats to crops in which pest is one of the severest. Computer vision technologies based on deep learning have shown great advantages on image classification as they enable real-time pest recognition on devices with cameras, such as drones. Thus, it is promising for pest monitoring and control and many DL models have been developed. Furthermore, early and accurate diagnosis is need as it minimizes pest damage. However, traditional models are limited on speed because the massive parameters require huge computing resource. In this work, we investigate the capability of lightweight model based on DL for the task of leaf disease classification on uncontrolled environment and compare it with traditional DL model. Lightweight models, in general, are designed to reduce computation on convolution layers with acceptable accuracy lose. We use an open database named LeLePhid, which contains lemon leave images, healthy or affected by aphid. The damage caused by aphid is general as the pest makes obvious changes to leaf outlooks. We focus on two typical DL models: the traditional, DenseNet and the lightweight, MobileNet, and discuss the balance between speed and accuracy, in order to support real-time analytics. Finally, we discuss the challenges and opportunities in practice.
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 | 0,000 |
| 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 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 ».