High-resolution mapping of Blueberry scorch virus incidence using RGB and multispectral UAV images and deep learning
Notice bibliographique
Résumé
Blueberry scorch caused by Blueberry scorch virus (BlScV) is a destructive disease, which can result in substantial yield decline and pose a significant threat to the viability of well-established highbush blueberry fields in North America and other regions. Early detection of the disease in the field, removal of infected bushes, and control of its spread via aphids to other fields or regions are critical for managing this disease. Visual assessment of Blueberry scorch symptoms is the predominant method for identifying and estimating the disease, which, however, is labour-intensive, tedious, and inefficient. Unmanned Aerial Vehicle (UAV)-based imaging is a powerful remote sensing tool for crop monitoring with several advantages, such as flexibility to acquire images of different pixel sizes, short revisit time intervals, reduced susceptibility to cloud interference, and flexibility to equip with different sensors. This study aims to collect UAV images to detect and map BlScV-infected blueberry plants using a cutting-edge deep learning model. Images of different pixel sizes acquired by an RGB sensor, and a multispectral sensor were compared to evaluate their detection accuracies. To ensure comprehensive information dependency extraction at close-, mid-, and long-ranges, the deep learning techniques developed in this study incorporate various computer vision-based mechanisms, such as Multi-Layer Perceptron (MLP), Convolutional Neural Networks (CNNs), and Self-Attention (SA) modules. Through these innovations, the deep learning algorithm, called InceptionLSA, obtained the highest average accuracy of 76.33% and 70.00% at a 20 cm pixel size of the multispectral and RGB images, respectively.
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 | 0,000 | 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 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 ».