YOLOV8-CMS: a high-accuracy deep learning model for automated citrus leaf disease classification and grading
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
BACKGROUND: Citrus leaf diseases significantly affect production efficiency and fruit quality in the citrus industry. To effectively identify and classify citrus leaf diseases, this study proposed a classification approach leveraging deep learning techniques (YOLOV8 equipped with CSPPC, MultiDimen, SpatialConv, YOLOV8-CMS). Additionally, a segmentation method was utilized to extract leaf and lesion areas for disease severity grading based on their pixel ratio. RESULTS: By collecting and preprocessing a citrus leaf image dataset, the YOLOV8-CMS model was trained for disease classification. The model integrated MultiDimen attention, SpatialConv, and the CSPPC module to enhance performance. Furthermore, a segmentation approach was applied to precisely segment both leaf and lesion areas, enabling a quantitative assessment of disease severity. To verify the effectiveness of the proposed approach, multiple YOLO-based architectures, including different YOLOV8 series models, YOLOV5, and YOLOV3, were compared and analyzed. Results demonstrated that the proposed method achieved outstanding performance in citrus leaf disease classification, with an mAP50 of 98.2% in distinguishing healthy and diseased leaves and an accuracy of 97.9% in multi-class disease classification tasks. CONCLUSIONS: The proposed YOLOV8-CMS model outperformed traditional methods in citrus leaf disease classification, while the segmentation-based approach enabled an accurate and quantitative assessment of disease severity. These findings highlighted the potential of deep learning in precision agriculture, contributing to more effective disease management in citrus production.
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 | 0,000 |
| 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 découle