Utilizing Deep Convolutional Neural Networks for Multi-Classification of Plant Diseases from Image Data
Notice bibliographique
Résumé
The economic health of a nation is significantly influenced by the productivity of its agricultural sector.Enhancing this productivity is directly linked to the early detection and management of plant diseases.Automated classification methodologies are instrumental in the early diagnosis of these diseases, offering improved precision over traditional methods.These automated systems initiate disease detection as soon as symptoms begin to manifest on plant leaves, following a four-step process involving pre-processing, segmentation, feature extraction, and classification.In this study, we present an automated methodology for the detection and classification of plant diseases using a deep-learning approach applied to varying quality leaf images.A deep convolutional neural network architecture was trained utilizing an image dataset.The proposed Deep Neural Network Plant Disease Classifier (DNN-PDC) was specifically designed for the multi-categorization of plant diseases.Tomato leaf images from the PlantVillage dataset on Kaggle were selected for the experiments.The proposed deep learning system demonstrated a high level of accuracy in the classification of various tomato leaf diseases, including Early Blight, Septoria Leaf Spot, and Late Blight.Experimental results indicate that the proposed method surpasses existing approaches in the image-based classification of tomato plant diseases.This study underscores the potential of the DNN-PDC model as a highly effective tool for plant disease detection and classification.
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 ».