Enhanced Potato Pest Identification: A Deep Learning Approach for Identifying Potato Pests
Notice bibliographique
Résumé
Potato crops and their salability are influenced by potato pests in that both crop yield and quality are reduced. This in turn reduces the income for potato farmers due to lower prices for the crop, lower crop yield, trade restriction and reduced market access. Agricultural viability over the long run therefore depends on sustainable pest management. In order to efficiently detect potato pests, a dataset was constructed which contains eight prevalent potato species that were taken from several sources. Image pre-processing techniques were employed enhance image quality for compatibility with deep learning models. Among InceptionV3, VGG-16, and MobileNetV2 models, VGG-16 attained the highest accuracy of 94.44%, outperforming others. Inception-V3 achieved 58% accuracy, while MobileNetV2 reached 75%. Pre-processing has a major influence on improving result accuracy, which emphasizes its significance in enhancing model performance, according to an evaluation of its effects. These findings might lead to the development of pest management strategies for potato farming that are more effective. The efficient use of VGG-16 in potato pest identification systems is demonstrated by its excellent performance. Using deep learning models can therefore reduce financial losses and promote sustainable potato production. This study provides an approach for further investigation into the best ways to control pests in potato production, allowing farmers to overcome the obstacles and take advantage of valuable market prospects even in the face of pest threats.
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 | 0,001 |
| 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 | 0,000 | 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 ».