A Multimodal UAV-Based Pipeline for Precision Agriculture: Aerial Stress Detection with YOLO and High-Fidelity Disease Classification Using DeiT
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
Precision agriculture requires scalable, accurate monitoring solutions to bridge the gap from macro-level field awareness down to leaf-level diagnostics. This paper presents a novel multimodal pipeline that integrates Unmanned Aerial Vehicle (UAV) imagery with advanced deep-learning models, achieving broad-spectrum stress detection and fine-grained disease classification. A CNN initially established a foundational accuracy but struggled to capture the subtle signatures of different diseases. Switching to Vision Transformers (ViTs) improved performance, yet computational overhead and data requirements posed challenges. Later, we moved to DeiT with extensive hyperparameter tuning and data augmentations that gave an astonishing 99.45% accuracy on the multi-class plant disease dataset. To complement the close-up acumen of DeiT, we used YOLO from an aerial view to rapidly identify stressed versus healthy crop regions from real-time UAV footage. This two-tiered approach, wherein YOLO is used for aerial scanning and DeiT for leaf-level diagnoses, offers an unprecedented level of precision with scalability. Finally, complex output is translated by an LLM into farmer-friendly advisories to ensure immediate actionable insights. Our integrated framework sets a new benchmark in UAV-driven precision agriculture by balancing model sophistication, computational feasibility, and end-user interpretability.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 | 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 découle