TeaNet8: A real time Android application-based Tea Leaf Disease detection using fine-tuned transfer learning and Gradient-Weighted Class Activation Mapping visualization
Notice bibliographique
Résumé
Tea is one of the most popular drinks in the world, and Bangladesh is a producer and user of it. However, diseases that impact the quality and productivity of crops can greatly impede the production of tea, impacting the final product’s quantity and quality. To prevent and control tea leaf diseases, a reliable and precise diagnosis and identification system is needed. Tea leaf infections are discovered manually, which takes time and affects crop quality and production. Detecting tea leaf disease early can lead to decreased damage to overall tea production. Advanced deep learning methods are simplifying the identification and categorization of specific illnesses in tea plants. The aim of this study is to introduce a new approach for identifying and categorizing illnesses found in tea plants by employing advanced deep learning methods. This study employs 2824 images of eight different types of leaf diseases. Preprocessing techniques such as Contrast Limited Adaptive Histogram Equalization (CLAHE), brightness adjustment, and unsharp masking were applied to enhance the dataset. Additionally, data augmentation techniques were used to increase its diversity. The proposed model shows that it can identify the type of persistent tea leaf disease with 97% accuracy.Gradient-Weighted Class Activation Mapping (Grad-CAM) visualization was employed to interpret and understand model predictions. The model demonstrated perfect accuracy for Algal Spot, Anthracnose, Gray Blight, and White Spot, with accuracy rates of 97.14% for Brown Blight, 94.59% for Healthy leaves, 94.12% for Red Spot, and 92.31% for Bird Eye Spot. Furthermore, the proposed model’s performance was compared against three pre-trained fine-tuning models. Various performance measurement indicators were used to evaluate the performance of the models utilized in the research. The results showed that the proposed model is effective in categorizing diseases in tea leaves.Finally, An Android-based system was developed employing the most effective model to aid farmers for detecting tea leaf diseases.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».