Unlocking the potential of simulated hyperspectral imaging in agro environmental analysis: a comprehensive study of algorithmic approaches
Notice bibliographique
Résumé
This study focuses on identifying and evaluating the severity of powdery mildew disease in tomato plants. The uniqueness of this work lies in combining the imaging and advanced deep learning methods to develop a technique that transforms Red Green Blue (RGB) images into Simulated Hyperspectral Images (SHSI) to perform spectral and spatial analysis for precise detection and assessment of powdery mildew severity, thereby enhancing disease management. Furthermore, this research evaluates three advanced pre-trained VGG16 models, ResNet50 and EfficientNet-B7 algorithms for image preprocessing and feature extraction. Extracted features are passed to a neural network generator model to convert RGB image features into SHSIs, providing insights into the spectrum. This method enables the image analysis to perform assessments from SHSIs for health classification using Normalized Difference Vegetation Index (NDVI) values, which are meticulously compared with accurate hyperspectral data using metrics like mean absolute error (MAE) and root mean squared error (RMSE). This strategy enhances precision farming, environmental monitoring, and remote sensing accuracy. Results show that ResNet50’s architecture offers a robust framework for this study’s spectral and spatial analysis, making it a suitable choice over VGG16 and EfficientNet-B7 for transforming RGB images into SHSI. These simulated hyperspectral images offer a scalable and affordable approach for precise assessment of crop disease severity.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».