StrawberryTalk-v2: Edged-IoT System for Detection of Strawberry Anthracnose
Notice bibliographique
Résumé
Anthracnose diseases can severely affect strawberry plant stands and yields, making early detection essential. Manual identification of diseased plants is labor-intensive, prompting the development of IoT-based AI (AIoT) solutions for more efficient detection. While many AIoT methods rely on high-performance servers typically hosted in the cloud, edge solutions are preferable for commercial farms to reduce dependency on network connections. To implement an effective edge-based system, the computation hardware must feature a capable CPU for running the IoT engine and a GPU sufficient for YOLO-based detection, while maintaining code security. This article explores the StrawberryTalk-v2 solution using the NVIDIA Jetson Nano, secured with Winbond’s W77Q TRUSTME® Secure Serial Flash Memory, fulfilling these requirements. The deployment of the StrawberryTalk-v2 IoT solution on this hardware facilitates strawberry anthracnose detection. Choosing a YOLO version that balances edge device efficiency and high detection accuracy presents a significant challenge. While YOLO11 Nano’s computational complexity is well-suited for edge deployment, its baseline accuracy falls short of YOLO11 Extra Large. By incorporating WIoU and DySample into YOLO11 Nano, the detection accuracy exceeds that of the Extra Large version while retaining the Nano version’s low execution cost. These enhancements allow the system to achieve superior performance, with StrawberryTalk-v2 reaching a four-level detection accuracy of 95.5%.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 ».