Deep Learning and Machine Learning Based Method for Crop Disease Detection and Identification Using Autoencoder and Neural Network
Notice bibliographique
Résumé
Crop diseases present a major threat to agricultural output, disrupting both the quantity and quality of production.Disease diagnosis remains a challenge for farmers, primarily due to limited knowledge and the need for specialized agricultural engineering expertise.To solve these problems, a new technique named the Autoencoder Latent Space-Neural Network (ALS-NN) was introduced in this study.It combines the strengths of autoencoders and neural networks to find crop diseases.Data processing is the first step of the methodology, and then data compression into a latent space follows.This compressed data serves as the input for the neural network, facilitating efficient crop disease classification.This approach capitalizes on the autoencoder's capacity for dimensionality reduction, data compression, and encoding, which is particularly beneficial when handling high-dimensional data.The reduced data dimensionality enables the neural network to process the information more efficiently.The ALS-NN model, by compressing data, focuses on the crucial information for the classification process, thereby enhancing computational speed and reducing the number of trained parameters.This results in time efficiencies during disease detection operations, mitigating the detrimental effects of diseases on crop yields.The integration of autoencoders and neural networks forms a potent strategy for disease detection, leveraging the autoencoders' capabilities for dimensionality reduction, anomaly detection, and feature learning, coupled with the classification and generalization abilities of neural networks.This hybrid approach can potentially lead to more precise, efficient, and interpretable disease detection system.PlantVillage is used with 10 crop types.We used the first part of autoencoder (The encoder) to compress images into Latent space; for classification, the result is subsequently fed into a neural network.Our model (ALS-NN) achieved 90% for test accuracy and 90% for validation accuracy.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».