Neural Network-Based Early Detection of Wheat Stripe Rust Disease for Enhanced Crop Management
Notice bibliographique
Résumé
This work focuses on the deep learning model intended to categorise wheat leaf photos depending on biotic and abiotic stress situations, namely nitrogen shortage and leaf rust, together with healthy leaf images.The main goal was to develop a strong and accurate model to improve precision farming methods by means of consistent and timely evaluations of crop condition.High-quality photographs were obtained with a Sony IMX363 RGB camera from a dataset gathered during the rabi season of 2019-20 from the Indian Agricultural Research Institute (IARI).The dataset included healthy leaves, leaves impacted by leaf rust, and nitrogen-deficient leaves, therefore guaranteeing a complete depiction of stress markers.To improve visibility of stress features, many preprocessing methods were used including Otsu-based background segmentation, contrast stretching, and Contrast Limited Adaptive Histogram Equalisation (CLAHE).To increase model resilience, rotation and scaling were used among data augmentation techniques.With hyperparameters painstakingly calibrated to maximise classification accuracy, the model architecture combined advanced ideas such residual and squeeze-excite blocks.Training, validation, and test sets-70:15:15-made up a balanced dataset split for the model.Accuracy measures were used in performance assessment to show a noteworthy capacity to separate stressed from healthy leaves.High classification accuracy of CropStressNet was shown, therefore enabling accurate identification of the stress conditions in wheat crops.This method helps to create more environmentally friendly farming methods in addition to provide understanding of crop health monitoring.The results highlight how deeply learning methods might be used to solve problems in precision farming.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».