Enhancing Precision Agriculture Based on Explainable AI for Automated Nutrient Deficiency Diagnosis in Rice Using Attention SqueezeNet
Notice bibliographique
Résumé
Rice (Oryza sativa) is a linchpin of global food security, feeding most of the world's population, especially in Asia and Africa.Nitrogen (N), Phosphorus (P), and Potassium (K) must be held in precise equilibrium for rice to grow right and produce well.A lack of these nutrients can put plant health at risk, causing poor yields that result in huge economic losses to farmers.This means it is important to have an accurate diagnosis done on time so that corrective measures can be taken to ensure the sustainability of rice cultivation.Conventional techniques used to detect nutrient deficiencies in rice plants like manual inspection and biochemical testing are frequently inadequate.Manual inspection may be effective, but it is laborious, subjective, and unworkable when working on a large-scale farm.On the other hand, the accuracy of biochemical tests does not compensate for their time-consuming nature, their cost as well as the need for specialized equipment and expertise; this makes them inaccessible to many smallholder farmers.This research proposes Attention SqueezeNet-a streamlined deep learning model aimed at overcoming such limitations.Attention SqueezeNet leverages the Kaggle "Nutrient Deficiency Symptoms in Rice" dataset by including an attention mechanism that focuses on significant visual features associated with N P K deficiency on rice leaves.Compared with traditional methods, therefore, these focused areas enable more accurate diagnostic results from the model as opposed to conventional methods which diagnose diseases broadly rather than focusing on specific symptoms.In this context, we propose: i) developing a robust Attention SqueezeNet model specifically aimed at categorizing nutrient deficiencies in rice plants; ii) making the model more robust against unseen data variations through pre-processing and augmenting existing dataset; iii) comparing the performance of Attention SqueezeNet with existing deep learning models in terms of accuracy and efficiency per computational unit utilized (CU).The results show that Attention SqueezeNet has better classification accuracy compared to state-of-the-art models and is more computationally efficient than them.This has resulted in the transformation of agriculture through automation and objectivity in diagnosis of nutrient deficiency which ensures sustainable crop management practices towards global food security.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».