EXPERIMENTATION OF AN APPLICATION OF EARLY DIAGNOSIS AND INVENTORY OF SOYBEAN DISEASES (GLYCINE MAX (L.) MERR.) IN BURKINA FASO
Notice bibliographique
Résumé
Glycine max (L.) Merr also known as soya or soybean plays an important role in legume production in Burkina Faso. Every year, the country produces an average of 30,000 tonnes of soybean. It is grown for its oilseeds, which are rich in protein, fat, minerals and vitamins, making it an important food and feed crop. In addition, soya production is profitable for growers because it provides a real source of income through marketing operations. The lack of fertile land, adequate rainfall and phytosanitary protection in soya cultivation are not conducive for efficient production. Ignorance and lack of knowledge of the diseases encountered in soya production make it even more difficult to protect the crop, which further limits production.In order to improve knowledge of soybean diseases in Burkina Faso, an inventory of diseases associated with this crop was carried out using a plant pathology diagnostic application. In this study, the Plantix-Crop Doctor application, based on artificial intelligence with deep learning, was used in an Alpha Lattice experimental device. A disease identification form from the Quebec Agriculture and Agri-Food Research Centre was used as a reference. Among the diseases identified were Septoria leaf spot, grey leaf spot, anthracnose, bacterial blight, soybean blight, sudden death syndrome, downy mildew, powdery mildew and soybean rust. This list provides a database of soybean diseases that must be controlled by methods that consider environmental protection. The Plantix - your crop doctor application can be relied on to diagnose soybean diseases so that they can be treated at an early stage.
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 ».