Artificial Intelligence Driven Smart Farming for Accurate Detection of Potato Diseases: A Systematic Review
Notice bibliographique
Résumé
Agriculture can ensure food security and enhance monetary benefits if practiced with modern technologies and supported with artificial intelligence (AI). Modern advancements in farming practices have revolutionized the production of food vegetation. However, crop cultivation faces several threats including insect and pest attacks and disease infections on plant leaves. For example, one of the most consumed foods vegetables universally—potatoes, are vulnerable to diseases like Late Blight (LB), Early Blight (EB), and others. These infections must be controlled to enhance food quality and yield. Conventional disease detection techniques are slow and depend on human involvement, which may be laborious and erroneous. However, AI tools, for instance, Machine Learning (ML) and Deep Learning (DL), offer precise and well-timed solutions for disease detection, classification, and eradication. A comprehensive review of literature has been conducted by examining over 400 articles to focus on 72 studies including 14 reviews publications on ML and DL models about potato disease forecasting using different techniques. It highlights the need for proficient disease control by integrating image and climate data. It further aids in addressing challenges like data availability and geographical variations. It has been learned that image-processing techniques overwhelm the existing research and have the potential to integrate meteorological data. The most widely used algorithms incorporate Support Vector Machine (SVM), Random Forest (RF), Convolutional Neural Network (CNN), and MobileNet with accuracy rates between 64.3 and 100%. The importance of accurate disease detection and eradication has been reported for food security, financial stability, and sustainable farming practices. Progressions in disease forecasts aid farmers in making informed decisions, minimizing crop losses, and reducing pesticide use through targeted application of agrochemicals with the use of AI-driven variable rate sprayers. This leads to healthier crops, market stability, and a more sustainable farming environment.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».