Deep Learning for Cotton Disease Detection Lightweight, Explainable and Field-Ready Solutions
Notice bibliographique
Résumé
Cotton is a crucial crop for the economy that is globally recognized as white gold and a major contributor to the Indian economy. However, cotton production is threatened due to various diseases affecting the leaves, like bacterial blight, leaf curl virus, fungal infections and pest attacks impacting the crop yield and quality that affect economic losses. The traditional disease detection methods, which depend on manual inspection, are inefficient, time-consuming, laborious, inaccurate and lead to misdiagnosis and often unreliable under field conditions. The need for early and accurate diagnosis is critical for timely intervention. In recent years Machine Learning (ML) and Deep Learning (DL) have been used for automated disease detection through leaf images. The study highlighted lightweight convolutional neural networks (CNNs), transformer-based models and object detection frameworks such as YOLO and RT-DETR, which have performed accurate results. Transfer learning with advanced backbones (EfficientNet, Xception, ResNet), integrating with attention mechanisms (e.g., CBAM, DFSA) for feature enrichment. The Explainable AI (XAI) for improving the explainability, while synthetic data generation using GANs reduces dataset imbalance. The review consolidated the current state of DL models for cotton disease detection, focusing on optimized approaches for mobile and edge deployment. Finally, it identifies existing research gaps and future directions for accurate, efficient, and field‑ready solutions.
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 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».