A Comparative Study of Convolutional Neural Network Architectures for Enhanced Tomato Leaf Disease Classification Using Refined Statistical Features
Notice bibliographique
Résumé
Tomatoes, a staple in culinary practices, are currently in high demand yet low supply in India, rendering them unaffordable to the general population.This issue largely stems from the inability of farmers to identify and control prevalent tomato leaf diseases, leading to significant crop losses.Early detection and classification of leaf diseases are paramount to mitigate this problem, thereby boosting crop productivity.Despite extensive research in this domain, the precise localization and identification of various tomato leaf diseases present a complex task.This complexity arises from the significant overlap between the healthy and diseased portions of the leaves.The process is further complicated by the minimal contrast between the background and foreground of the specimen under investigation.To address these challenges, this study conducts a comprehensive performance analysis of several Convolutional Neural Networks (CNNs) models, namely, ResNet-152, ResNet-101, VGGNet, Alex Net, and LeNet, applied to the PlantVillage dataset.The results indicate that the ResNet-152 and ResNet-101 models yield superior accuracy rates when applied to both full-resolution source images and their background-removed counterparts.The performance outcomes reported herein surpass those documented in the existing literature, demonstrating the potential for significant advancements in the early detection and classification of tomato leaf diseases.
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 ».