ATRLeNet: A Deep Learning Model for Enhanced Classification of Oryza Sativa Pathologies
Notice bibliographique
Résumé
Diseases affecting the Oryza Sativa (rice) plant result in substantial agricultural losses, leading to a decline in crop productivity by up to 25% and posing a significant threat to global food security.Hence, the rapid and accurate diagnosis of such diseases is paramount to ensure effective treatment and to enhance overall plant health.This has led to an increased interest among plant pathologists in developing reliable methods for identifying diseases in Oryza Sativa crops.In this study, an innovative disease classification model for the Oryza Sativa plant is proposed, leveraging the Optimal Adaptive Boosting Cascade Classifier (OABCC) and the efficient-artificial fish swarm optimization (EAFSO).A weighted image fusion technique is utilized in the pre-processing stage for image denoising, combining the outcomes of homomorphic filtering (HAF), Laplace filtering (LAF), and the Kuwahara Filter (KF).The diseased portions of the Oryza Sativa plant leaf are localized using the OABCC, while Soft Non-Maximum Suppression (SN-MS) is deployed to select the optimal detection box for each item.The LeNet model, bolstered with an atrous-convolution layer, is integrated into the OABCC for improved disease classification.Further enhancement in model accuracy is achieved through the application of the EAFSO optimization strategy.When applied to the OABCC-ATRLeNet model for rice disease classification, the EAFSO optimization strategy outperforms other strategies such as WSSO, CSO, AFSO, and PSO.This research underscores the potential of deep learning approaches for robust and accurate classification of plant diseases, contributing significantly to the efforts in securing global food resources.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».