Advancing Fusarium Head Blight Detection in Wheat Crop: A Review and Future Directions to Sustainable Agriculture
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Fusarium head blight (FHB) is a significant disease affecting wheat, one of the most vital global crops, with severe implications for crop yield and food safety. Traditional FHB detection methods have limitations, highlighting the need for innovative and sustainable solutions. This review investigates the Fusarium species responsible for FHB, the disease’s life cycle, symptoms, and FHB mycotoxins affecting human and animal health. We focus on deep learning (DL) techniques for FHB detection that improve accuracy, resource efficiency, environmental sustainability, and error reduction compared to conventional methods. DL models, integrated with RGB and spectral imaging and enhanced by transfer learning and data augmentation, achieve high precision in detecting FHB across wheat varieties. Advancements in UAV-based RGB and spectral imaging paired with DL show promising results for early detection, reducing crop damage and lowering carbon emissions. However, data imbalance, background noise, and model overestimation persist. Optimization strategies and multi-modal approaches integrating imaging with environmental data have been proposed to enhance model robustness. This review underscores DL’s potential to improve FHB detection, crop yield, and sustainable agricultural practices. Future directions emphasize IoT integration, real-time low-power electronics, and blockchain for data security, addressing ethical concerns in labour and data privacy in agriculture.
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.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découle