Deep Vision Transformer with Tasmanian Devil Optimization for Multiclass Paddy Disease Detection and Classification for Precision Agriculture
Notice bibliographique
Résumé
Rice is the daily consumed crop all over the country and other parts of the world. Rice is cultivated in most of the states. Nevertheless, rice plant diseases deteriorate the quantity and quality of the crop. Rice plants are affected by various conditions, for example: sheath blight, foot rot, and so on, producing a loss in the farming yield. Therefore, earlier disease recognition in crops is important. Performing intelligent Farming is a hot zone of investigation to prevent more harm to crops. The extensive growth of Deep Learning (DL) makes it probable to attain the objective of disease recognition in crops. In this manuscript, we introduce a new Deep Vision Transformer with Tasmanian Devil Optimization for Multiclass Paddy Disease Detection and Classification (DViTTDO-MPDDC) technique for Precision Agriculture. The major intention of the DViTTDO-MPDDC technique focuses on the automatic classification and recognition of paddy plant diseases. To accomplish this, the DViTTDO-MPDDC technique uses the wiener filter (WF) technique for the noise removal process. Besides, the vision transformer (ViT) technique is used for feature extraction purposes. Additionally, the attention mechanism-based convolutional neural network with bidirectional long short-term memory (AM-CNN-BiLSTM) technique is used for the paddy disease detection process. Eventually, the TDO algorithm is exploited for the hyperparameter fine-tuning of the AM-CNN-BiLSTM model. To demonstrate the good classification outcome of the DViTTDO-MPDDC algorithm, a wide variety of models occurs on the benchmark database. The extensive comparable findings ensured the betterment of the DViTTDO-MPDDC method over the current methods.
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 | 0,000 |
| 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 ».