The Impact of Convolutional Layer Selection in ResNet-50v2 Architecture on Corn Leaf Disease Classification
Notice bibliographique
Résumé
Agriculture is a significant economic sector in many nations, including Indonesia, with corn being one of the primary food crops.Leaf infections in corn plants can result in substantial losses for farmers and disruptions in food production.This disease diagnosis application can enable early disease detection for smallholder farmers.This is because current procedures, which rely on manual knowledge from agronomists, are time-consuming and costly.Advances in Agricultural AI (Artificial Intelligence) and image processing have enabled autonomous identification of plant diseases using the convolutional neural networks (CNN) technique, with ResNet-50v2 being one of the established architectures.The main purpose of this research is to investigate the selection and design of appropriate convolutional layers in the ResNet-50v2 model.In order to identify corn leaf diseases, the following layers were chosen: activation, batch normalization, and pooling.There are 4,000 entries in the dataset, distributed among four categories: gray leaf spot, common rust, northern leaf blight, and healthy.The data will be separated into three categories: learning, validation, and testing.According to the study's findings, the chosen convolutional layer using ResNet-50v2 obtained a 95.7% accuracy, precision, recall, and F1-score.The activation layer obtained 92.4% precision and 92.1% accuracy, recall, and F1-score.The batch normalization layer obtained 98.1% precision 98% accuracy, recall, and F1-score.The pooling layer obtained 94.7% precision and 94.5% accuracy, recall, and F1-score.The achievement of this study reveals that the performance of the Batch Normalization convolutional layer outperforms other layers.The findings of this study show that batch normalization layers in the ResNet-50v2 model outperform other layers in Corn leaf disease classification.This highlights the effectiveness of batch normalization in mitigating overfitting, a frequent challenge in deep learning systems.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».