Deep Learning Approaches for Potato Leaf Disease Detection: Evaluating the Efficacy of Convolutional Neural Network Architectures
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
In agriculture, timely and accurate detection of plant diseases is essential to obtain healthy crop yields and ensure food security.However, detecting diseases in potato leaves is challenging because of the complex symptoms and variability in leaf appearances.This requires the development of an effective and efficient method that can overcome these challenges and improve disease detection accuracy.Utilizing the power of computer vision and deep learning, this paper presents a comprehensive study on potato leaf disease detection using a multi-architecture Convolutional Neural Networks (CNNs) approach.We evaluate five different CNN architectures: VGG16, VGG19, MobileNetV2, ResNet50, and AlexNet, to assess their classification capabilities.The research encompassed the dataset collection, data augmentation, model selection, hyperparameter tuning, and evaluation, leading to a rigorous analysis of detection accuracy, model convergence, and training efficiency.Our findings revealed that ResNet50 was the standout performer, achieving a remarkable 97% testing accuracy and 98% specificity.Conversely, the VGG19 architecture was the least effective.A consistent challenge across all models was accurately classifying categories of healthy leaves, indicating a potential area for model refinement.This study not only highlights the efficacy of deep learning in plant health diagnosis but also highlights the importance of specificity as an important metric in such tasks.The results of our study provide a promising avenue for real-time diagnosis of potato leaf diseases in the field, paving the way for healthier crops and increased agricultural productivity.
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 | 0,000 | 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 découle