Detection of Wheat Diseases Using Modified Canny Edge Detection
Notice bibliographique
Résumé
Wheat crops are the most important cereals for millions of people because they do not only ensure food security but also serve as source of livelihood. However, wheat crop diseases pose a significant risk to livelihood and food security, necessitating the use of automated and effective detection methods. Due to noise and lighting conditions, traditional edge detection techniques such as Sobel, Prewitt, Roberts, Laplacian, and Canny are predominantly unable to accurately detect faulty region. We present a Modified Canny Edge Detection method in this work that combines adaptive thresholding and Gaussian smoothing to improve disease feature extraction. Several image quality metrics, such as Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index (SSIM), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Entropy, and Edge Pixel Count, are used to compare Modified Canny with traditional edge detection techniques to perform a thorough performance evaluation. Furthermore, graphical representations and histogram comparisons are used to examine edge-preserving skills. The results of the experiments show that the Modified Canny method performs better than conventional methods, attaining higher PSNR and SSIM while keeping MSE and RMSE values lower, guaranteeing better edge recognition in images of wheat disease. This study demonstrates how enhanced edge detection techniques work for diagnosing agricultural diseases and lays the groundwork for incorporating edge-based techniques into deep learning frameworks for better crop health monitoring.
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 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».