TAME-Faster R-CNN model for Image-based Tea Diseases Detection
Notice bibliographique
Résumé
Tea, one of the most consumed non-alcoholic beverages in the world, plays an essential role in the agricultural economy. Nevertheless, it is threatened by various diseases, resulting in critical yields and economic losses. Nowadays, image processing techniques and machine vision algorithms are used to detect tea diseases. However, the existing techniques do not consider the varying lighting (such as shadow) conditions in the data set, which makes the techniques less efficient and robust. Therefore, this paper aims to address these issues by proposing an efficient technique called, TAME-Faster R-CNN. The proposed method combines a trainable Attention Mechanism for Explanations (TAME) module with the backbone network of the Faster R-CNN framework to detect three types of tea diseases (Anthracnose, Brown leaf spot, and Tea white scab). The experimental results and analysis show that the proposed algorithm achieved mAP values of 98.3% to detect Anthracnose, 64.8% to detect Brown leaf spots, and 75.6% to detect white scab diseases and performed better than the state-of-the-art technique. Total mAP is almost 10%, 23% and 1% higher compared to Yolov5, Yolov7 and original Faster R-CNN, respectively. Compared to the original framework of Faster R-CNN, TAME-Faster R-CNN with ResNet101 has improved the precision and F1 score on average by 6% and 4.3%, respectively. Hence, the integration of this technique can effectively detect tea lesion diseases.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».