Crop Disease Detection Using Deep Learning Techniques on Images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Agriculture plays a crucial role in the economic development of many countries and sustains the global population despite facing various challenges like climate change, pollinator decline, and plant diseases. These threats to food security highlight the need for innovative solutions to prevent crop loss. Leveraging smartphone technology for automated image recognition-based disease diagnosis has emerged as a promising approach, thanks to their computing power and high-resolution cameras. To address this issue, we have focused on deep learning-based image detection techniques to identify plant diseases using the "PlantVillage" dataset. Several deep learning architectures, including AlexNet, GoogleNet, ResNet50, and InceptionV3, were employed and trained using two approaches: 'Training from scratch' and 'transfer learning’. The results of the analysis reveal GoogLeNet architecture achieved the highest accuracy of 0.999 for color images and 0.996 for segmented images, whereas InceptionV3 trained from scratch gave the highest accuracy of 0.994 for grayscale images with a train-test ratio of 90:10. All the models trained from scratch achieved the maximum F1-score of 1.0 for color and segmented images whereas for grayscale images, GoogleNet and InceptionV3 achieved the highest F1-score of 0.999 with train-test ratio 90:10. These findings indicate the potential of deep learning methods in detecting and diagnosing plant diseases, which can significantly enhance the efficiency and accuracy of disease diagnosis processes in agriculture. Further research and improvements in image recognition techniques can lead to more robust and effective solutions for securing global food production.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle