Identification of Rice Plant Diseases Using Convolutional Neural Network Method
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
Rice plants (Oryzae Sativa sp.) are rice-producing food plants which play an important role in economic life in Asian countries, especially Indonesia.This primary need is very difficult to replace with other staples, such as corn, tubers, sago and other sources of carbohydrates.However, global climate change which has an impact on climate anomalies causes rice diseases to develop rapidly.The aim of this research is to create an application on an Android-based cell phone that can identify and classify rice plant diseases using the Convolutional Neural Network (CNN) method.The research material was 1600 images of rice leaves consisting of 4 classes, namely 400 images of rice affected by Leaf Blight disease, 400 images of rice affected by Brown Spot disease, 400 images of rice affected by Leaf Smut disease, and 400 images of healthy rice.In each class, the images are divided into 380 for training and 20 for testing.During the rice image training process using the Python programming language, the accuracy results were 83%.Then the results are saved in the form of a model file, and entered as training data into the program in Android Studio to be used as an application.Testing the application with 20 rice leaf images for each class resulted in an actual accuracy of 94%.This application can also be run on all versions of Android.
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