Classification of Biotic And Abiotic Stresses on Grape Berries using Transfer Learning
Notice bibliographique
Résumé
Grape farming is one of the most lucrative agricultural enterprises in India. There are several biotic and abiotic stress conditions that may adversely affect the yield if not tackled at the right time. It is crucial that the farmer can correctly identify and monitor the type of stress so that steps can be taken to prevent undesirable outcomes. We have gathered a dataset of these stress conditions on grape berries and categorized them into eight classes, necrosis, shriveling, and honeydew by mealybug, mealybug incidence, spray injury, thrips scarring, pink berry, and powdery mildew. Transfer learning was used to test the performance of six major deep learning image classification architectures (namely MobileNet-v2, Inception-v3, Inception-ResNet-v2, ResNet-v2, NASNet, and PNASNet) with variations in training conditions and hyper parameters. The results were compared to determine the most feasible and accurate deep learning architecture and its hyper parameters for the given problem statement. The experiment shows that Inception-ResNet-v2 obtained maximum classification accuracy of 88.75% when learning rate of 0.035 and minibatch size of 10 were applied using 8000 training steps. This result will act as a pre-requisite for the development of an application for mapping vineyard stress conditions on berries and give automated advisory.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».