Evaluation of deep learning models for RGB image-based detection of potato virus y strain symptoms (O, NO, and NTN) in potato plants
Notice bibliographique
Résumé
Potato virus Y (PVY) has been a long-standing problem for potato growers over the world, due to its ability to cause significant reductions in crop yields. The yield losses due to PVY may range from 10% to 80%, depending on the severity of the infection and the potato variety. The new necrotic strains of PVY cause mild symptoms in the foliage, making it challenging to detect infected plants. Consequently, identifying and disposing of infected plants (known as “roguing”) has become more difficult. There is a growing demand to create solutions that aid growers in identifying potato plants that have been infected with PVY. In past studies, deep learning-based convolutional neural networks (CNNs) have shown the ability to successfully make distinctions between various healthy plants, disease plants, and weeds. In this study, the use of these models for the detection of infected plants with different strains of PVY has been explored and extended. Different deep learning models, specifically EfficientNet, VGGNet-19, DenseNet-201 and ResNet-101 are trained on the imagery dataset of healthy and PVY-infected potato plants grown under greenhouse conditions. The evaluation metrics used were accuracy, precision, recall, and F1 Score. The trained models achieved classification accuracy scores of 85% while classifying the healthy and PVY-infected potato plants. The models were also able to accurately detect PVY-infected plants even when the symptoms were mild, which is essential for early detection and prevention of the spread of the virus. These models may assist roguers in the real-time identification of PVY-infected plants that may help in controlling the disease spread and improving the crop yield.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 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 ».