Advanced Deep Learning Approaches: Utilizing VGG16, VGG19, and ResNet Architectures for Enhanced Grapevine Disease Detection
Notice bibliographique
Résumé
This study aims to give an overall comparison among three of the most powerful convolutional neural network (CNN) architectures-VGG16, VGG19, and ResNet for the classification of leaf diseases, particularly targeting leaf blight, ESCA, black rot, and healthy leaves. With the consequent economic effects of these diseases on viticulture, it is essential to create precise, productive, and scalable diagnostic tools for the pursuit of sustainable agricultural practices. Using a very large dataset of grapevine leaf images acquired from different localities, this study investigates the ability of the models to correctly assign the diseases to the visual symptoms. The models were assessed through a rigorous evaluation process including data preprocessing, augmentation, and stratified k-fold cross-validation approach to determine the overall accuracy, precision, recall, and F1 score. The study results reflect no doubt that the ResNet model surpasses its rivals with an outstanding accuracy of 95% which is followed by VGG19 with 93.5% and VGG16 with 92%. These observations emphasize the power of deep residual learning and the importance of architecture depth in ensuring the accuracy of CNNs in the field of plant disease classification tasks. In addition, the study underlines the need for having holistic and varied datasets that train models to generalize across different environments and disease presentations. The current research adds to the growing knowledge base on the use of deep learning (DL) in agriculture, thus providing insight into the most efficient CNN networks that can be used for grapevine disease recognition. This work contributes to the integration of AI-based diagnostic tools in precision agriculture; this will eventually help improve the current disease management practices and foster sustainable crop production systems.
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) | 0,002 | 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) | 0,002 | 0,001 |
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 ».