Leveraging U-Net and Convnext for Accurate Plant Disease Prediction with Hyperparameter Tuning
Notice bibliographique
Résumé
Early and immediate detection of plant diseases is essential for crop protection and food security. Usually, these may be delayed and adversely impact agriculture because inspections are subjective and time-consuming. This research proposes a deep learning-based framework consisting of the combination of U-Net with Attention Gates for an accurate image segmentation process that hands over the task of disease classification to ConvNeXt. Image preprocessing using CLAHE and augmentations are introduced to tackle some dataset problems, such as noisy data and variations within plant species. Hyperparameter optimization using Optuna is set in place for fine-tuning along with learning rate and batch size, which results in even further improvement in performance. The performance of the proposed model is found better than those of baseline models like VGG-19, MobileNetV2, and EfficientNet with accuracies of 99.16%, 98.48% precision, 98.22% recall, and 98.33% F1-score. Despite its high success rate, the analysis exposes the limitations of the proposed system through ROC curve and confusion matrix analysis, indicating further avenues for improvements. Even then are good levels of robustness and generalization present in the model across different plant species and diseases, thus offering a good discriminatory power for disease diagnosis in actual-farm environments. This study paves the way for developing smart, fully automated systems for early disease detection, which can play a significant role in enhancing global food security and improving crop yields.
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) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».