Modèle hybride d’apprentissage profond pour la détection de la rouille jaune du blé

Deepak Kumar é professor na Escola de Engenharia e Tecnologia (Ciências Aplicadas), Instituto Internacional de Investigação e Estudos Manav Rachna (MRIIRS), Índia.Sandhya Singh tem um doutoramento em Matemática pelo MRIIRS, Índia.Pooja Khurana é Professora Associada na Escola de Engenharia e Tecnologia (Ciências Aplicadas), MRIIRS, Índia.

Dans de nombreuses régions du monde, les pertes de qualité et de rendement du blé ont augmenté en raison des maladies de la rouille du blé. L'identification de la maladie de la rouille jaune ainsi que le pourcentage de tissus endommagés par la maladie de la rouille en termes de niveaux de gravité sont très importants et sont généralement réalisés par des évaluateurs expérimentés ou des techniques de vision par ordinateur. Avec l'aide des techniques de vision par ordinateur, le coût et le temps doivent être minimisés. Cette étude présente un modèle de classification de la rouille jaune du blé avec différents niveaux de gravité de la maladie. Elle est réalisée à l'aide de STARGAN et d'un réseau neuronal convolutif (CNN). Après avoir mené plusieurs expériences avec des paramètres tels que les différentes époques, la taille des lots, le taux d'apprentissage et le taux d'abandon, cette étude atteint une précision de 94,07 % pour classer la rouille jaune du blé par rapport à la plante normale. Lors de la mesure de la gravité, CNN a atteint 94,3% de précision de validation de la rouille jaune du blé à un niveau de gravité élevé.