Deep Learning and Grey Wolf Optimization Technique for Plant Disease Detection: A Novel Methodology for Improved Agricultural Health
Notice bibliographique
Résumé
Plant disease outbreaks have a profound impact on the agricultural sector, leading to substantial economic implications, compromised crop yields and quality, and potential food scarcity.Consequently, the development of effective disease prevention and management strategies is crucial.This study introduces a novel methodology employing deep learning for the identification and diagnosis of plant diseases, with a focus on mitigating the associated detrimental effects.In this investigation, Convolutional Neural Networks (CNNs) were utilized to devise a disease identification method applicable to three types of plant leaves -peppers (two classes), potato (three classes), and tomato (nine classes).Preprocessing techniques, including image resizing and data augmentation, were adopted to facilitate the analysis.Additionally, three distinct feature extraction methods -Haralick feature, Histogram of Gradient (HOG), and Local Binary Patterns (LBP) -were implemented.The Grey Wolf Optimization (GWO) technique was employed as a feature selection strategy to identify the most advantageous features.This approach diverges from traditional methodologies that solely rely on CNNs for feature extraction, instead extracting features from the dataset through multiple extractors and passing them to the GWO for selection, followed by CNN classification.The proposed method demonstrated high efficiency, with classification accuracies reaching up to 99.8% for pepper, 99.9% for potato, and 95.7% for tomato.This study thus provides a progressive shift in plant disease detection, offering promising potential for improving agricultural health management.In conclusion, the integration of deep learning and the Grey Wolf Optimization technique presents a compelling approach for plant disease detection, demonstrating high accuracy and efficiency.This research contributes a significant advancement in the field of agricultural health and disease management.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| 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 ».