Plant Leaf Disease Detection Using Metaheuristic Optimization Algorithms and Deep Learning
Notice bibliographique
Résumé
Plant diseases significantly reduce the yield and the production of crops across the globe.Crop productivity, plant development and human access to food have all been hampered by the prevalence of plant diseases throughout the history.In general, leaves exhibit symptoms if the plant is affected by diseases.Therefore, it is essential to identify the type of infestation to reduce the destructiveness of the disease.This scenario allows one to replicate the spread of infectious diseases and the inability of farmers to recognize and remember them.One possible approach to tackle this issue is to utilise Deep Learning (DL) techniques in conjunction with Machine Learning (ML) approaches within the domain of Computer Vision (CV).The current research has introduced the APLDD-ESOSDL approach, which utilises deep learning to optimise the search for symbiotic organisms in order to automate the detection of plant leaf diseases.The objective of the proposed APLDD-ESOSDL approach is to enhance agricultural yields and reduce crop losses by offering farmers a visual depiction of disease symptoms.The goal of the APLDD-ESOSDL approach is to accurately classify the presence of leaf diseases.The APLDD-ESOSDL technique utilises the inception ResNet-v2 model as a feature extractor and the Stacked Long Short-Term Memory (SLSTM) model for classification.In addition, the hyperparameters of the SLSTM algorithm are adjusted using the Enhanced Symbiotic Organism Search (ESOS) approach.A comprehensive experiment was carried out utilising the reference data set to verify the effectiveness of the APLDD-ESOSDL approach.The APLDD-ESOSDL algorithm outperformed more advanced systems, achieving a maximum accuracy of 99.22%, precision of 98.52%, sensitivity of 98.06%, and specificity of 99.54% in experimental experiments employing six distinct cutting-edge approaches.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».