Modeling the Detection and Classification of Tomato Leaf Diseases Using a Robust Deep Learning Framework
Notice bibliographique
Résumé
Tomatoes are a noteworthy horticultural crop that has considerable importance in a diverse range of culinary traditions.At now, the primary concern for food security is in the realm of plant diseases.Researchers are actively working towards developing a streamlined approach to detect and diagnose illnesses in their early stages, with the ultimate goal of enhancing the agricultural industry.Currently, computer scientists and engineers are actively engaged in the fast development of a diverse range of tools and methodologies, with a special focus on the field of artificial intelligence.The advancement of cutting-edge machine learning applications for artificial intelligence relies on the establishment of original methods and frameworks.In contrast to the single-layer topologies of more traditional neural network learning methods, "deep learning" makes use of networks with many processing layers.In this research, a DL model is developed to detect & diagnose plant diseases by analyzing healthy & unhealthy plant image samples using deep learning techniques.The dataset contains 43,823 images of plants, including healthy plants and unhealthy plants.For this model implementation, follow some methodology processes like data preprocessing, image segmentation, data balancing, data splitting classification and detection, and assess the model's efficacy.The study uses a Fine-Tuned EfficientNetB7 approach with an impressive Mean Average Accuracy of 99.31%.The proposed technique demonstrates efficacy in early detection and has the potential for further improvement in terms of performance, hence facilitating the development of a real-world automated system for detecting plant diseases in agricultural settings.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».