Optimized Plant Health Monitoring with CNNs and Transfer Learning for Precision Agriculture
Notice bibliographique
Résumé
This study presents a deep learning-based approach for plant health monitoring, focusing on the classification of both diseases and nutrient deficiencies using the PlantVillage dataset. The dataset consists of 20,639 RGB leaf images from tomato, potato, and bell pepper plants, categorized into 15 classes representing both healthy and diseased samples. Three Convolutional Neural Network (CNN) architectures were evaluated: DenseNet121, VGG19, and a custom lightweight CNN developed specifically for efficient deployment in low-resource environments. DenseNet121, fine-tuned with the SGD optimizer, Sigmoid activation, and L2 regularization, achieved the highest validation accuracy of 98.27%. VGG19 reached 95.00% accuracy with a balanced training time, while the custom CNN achieved 92.00% accuracy, offering the advantages of faster prediction and reduced model size. To mitigate class imbalance and improve generalization, the models were trained with extensive data augmentation techniques, including random rotations, flips, and zooming. Regularization methods such as dropout and batch normalization further enhanced performance stability. The results highlight the trade-off between model accuracy and computational efficiency, emphasizing the potential of lightweight CNNs for real-time agricultural applications. Future work includes the integration of explainable AI (XAI) methods to enhance interpretability and build trust among agricultural practitioners, supporting broader adoption of deep learning systems in precision agriculture.
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) | 0,000 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».