Detection of Plant Diseases in an Industrial Greenhouse: Development, Validation & Exploitation
Notice bibliographique
Résumé
The effective detection of plant diseases is crucial for the optimal management of agricultural systems. In this paper, we present our contributions in the context of detecting plant diseases in an industrial greenhouse [1], focusing specifically on tomatoes. Our main objectives are to develop and validate a detection system using the YOLOv8 model and to explore its potential for practical application in a real-world setting. To facilitate our research, we introduce a novel dataset comprising images of tomato leaves affected by various diseases. This dataset serves as a valuable resource for training and evaluating our detection model. We employ the YOLOv8 architecture, a state-of-the-art object detection framework, and experiment with different parameters to assess its performance in accurately detecting diseased areas on tomato leaves. Through extensive experimentation, we compare the performance of the YOLOv8 model using various parameters, such as different training strategies, data augmentation techniques, and hyperparameter configurations. The results provide insights into the optimal settings for achieving high detection accuracy and robustness. Furthermore, we demonstrate the practical utility of our developed model by conducting a real-life implementation within an industrial green-house. This exemplifies the integration of our detection system into an operational environment, showcasing its potential to assist greenhouse operators in early disease detection, monitoring, and decision-making processes. Our preliminary findings demonstrate promising disease detection capabilities on tomato leaves inside greenhouses, achieving an mAP50 score of 0.8 using our best model. Although there is room for improvement, these initial results indicate significant potential.
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 | 0,001 |
| 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 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 ».