Comparative Analysis of AlexNet, GoogLeNet, VGG19, ResNet50, and ResNet101 for Improved Plant Disease Detection Through Convolutional Neural Networks
Notice bibliographique
Résumé
To meet the increasing need for food from a growing global population, it is imperative to make progress in agricultural technology, namely in the area of disease detection. This will help reduce the need for pesticides and improve the overall health of crops. The issue at hand is the need for accurate and effective identification of plant diseases to enhance food production. This research tackles this problem by using cutting-edge computational neural networks (CNNs) on pre-existing agricultural datasets to assess and compare their effectiveness. Existing research does not show the precise and detailed performance of the latest CNN models in agricultural data sets. We addressed this issue by examining five Convolutional Neural Network (CNN) models: AlexNet, GoogLeNet, VGG19, ResNet50, and ResNet101. This approach involved meticulous training and assessment of these models to compare their precision, loss, duration of training, and complexity of the model. ResNet 101 outperformed all other models with an accuracy rate of approximately $\mathbf{97\%}$. Nevertheless, the practical implementation of this technology is hindered by its intricate model complexity and demanding resource needs, which make it unsuitable for low-power applications. GoogLeNet demonstrated superior performance in terms of accuracy, model complexity, training time, and other evaluation measures.
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 | 0,000 | 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 ».