Optimized Faster R-CNN with Weighted ABC for High-Accuracy Gova Leaf Disease Identification
Notice bibliographique
Résumé
The Govas are very vulnerable to several forms of leaf diseases such as fungal, bacterial, and viral diseases, which may have severe effects on crop production and quality. The timely and proper identification of these diseases is of great importance to ensure the survival of agriculture and reducing the high consumption of chemical treatments. The proposed study is aimed at optimizing the Faster Region-Based Convolutional Neural Network (Faster R-CNN) with a Weighted Artificial Bee Colony (WABC) algorithm to enhance the accuracy and stability of detecting Gova leaf disease. The Faster R-CNN architecture is particularly useful at identifying diseased cells by extracting effective features, whereas the WABC algorithm is also used to improve the network hyperparameters and anchor box settings to increase the convergence rate and improve classification. It is experimentally evaluated that the proposed WABC-optimized Faster R-CNN is more accurate, precise, recalls, and has a higher F1-score than conventional CNN and standard Faster R-CNN models with publicly available Gova leaf datasets. Also, the technique is known to be good in separating several classes of diseases in different levels of illumination and environment. The study offers a smart and automated system of managing the Gova leaf disease, and this reduces the reliance on manual inspection and promotes sustainable farming methods. The suggested approach does not only improve the quality of disease detection, but it is also useful in precise farming to protect crops and increase their quality.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 ».