HRL-ViT: Human–Robot Collaborative Vision Transformer for AIoT-Enabled Leaf Disease Detection in Precision Agriculture
Notice bibliographique
Résumé
The combination of artificial intelligence and Internet of Things (AIoT) technologies is changing precision agriculture by making it possible to automatically check the health of crops. Early detection of leaf diseases is still important for stopping yield losses, but regular convolutional neural networks (CNNs) often don't work as well when they have to deal with different textures, lighting changes, and noise on the field level. To address these constraints, this study presents HRL-ViT, a Human–Robot Collaborative Learning framework that utilizes Vision Transformers for leaf disease identification. The frame-work merges the global attention feature of Vision Transformers with a human-in-the-loop approach, wherein predictions with low confidence are validated by experts and used to improve the model over time. The system is also made for edge-based AIoT deployment, which lets you analyze data in real time in agricultural settings. Experimental research utilizing both benchmark datasets and field-acquired images demonstrates that HRL-ViT consistently surpasses baseline CNN and Transformer models, attaining superior accuracy, precision, and recall while minimizing false detections. Transformers' attention maps can be visualized to make them even easier to understand, which helps users trust them and make decisions. In general, HRL-ViT shows a lot of promise for use in autonomous robotic platforms. It offers an explainable and scalable way to find diseases 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».