Enhancing UAV-Based Precision Agriculture: A Deep Learning Approach to Targeted Maize Disease Management
Notice bibliographique
Résumé
Corn/maize is the third most globally produced crop, and there are over eighty diseases impacting it, creating significant concerns in the agricultural sector. As a result, Unmanned Aerial Vehicles (UAVs) and their ability to spray specifically diseased crops have become increasingly popular. When using UAVs, Normalized Difference Vegetation Index (NDVI) calculations are frequently used to determine whether a crop should be sprayed with pesticides. However, NDVI alone is not a sufficient metric. NDVI indicates plant stress in general, which could be drought or poor soil quality, and this will not be addressed by pesticides. The solution is then to create a custom deep learning model that uses a sufficiently low NDVI value as a starting point. Once a low NDVI value is detected, the same near infrared imagery used to retrieve the NDVI calculations will be used in the model where object detection will be used to determine whether there are diseased lesions on the maize. Near infrared imagery has been proven to increase the detection of maize diseases, achieving a higher accuracy than RGB imagery. The model will mimic aspects of YOLOv10 to facilitate rapid detection times, providing the opportunity for real-time spraying. While scholars have modified YOLOv5 to achieve detection times as low as 0.064 s/sheet, a custom deep learning model used only on the contingency of low NDVI values is less computationally intensive and should then take less time overall. Finally, Keyhole Markup Language (KML) and Geographic Information Systems (GIS) will be used to create an output map indicating where pesticides were sprayed. The research will reduce the number of false positive results, which will limit the quantity of pesticides used, consequently reducing financial costs and negative environmental impacts.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».