Evaluating the Performance of Hybrid Machine Learning Models for Plant Disease Detection From Leaf Imagery
Résumé fourni par la source
The disease identification process is usually longer in a region with inadequate infrastructure. With the prevalence of smartphone use and deep learning's success in improving computer vision, smartphone-based disease diagnosis is a promising approach. We are designing deep convolutional neural networks to identify 14 crop species and 26 unique diseases using a publicly available dataset of 54,306 images of healthy and diseased plant leaves collected in controlled experimental settings. Our approach involves multiple CNN architectures, namely Baseline CNN, ResNet, EfficientNet, and VGG16, each with unique design features that enhance the model's ability to understand complex patterns.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Evaluating the Performance of Hybrid Machine Learning Models for Plant Disease Detection From Leaf Imagery
- Date Crossref
- 02/07/2026
- Éditeur
- IGI Global Scientific Publishing
- Type
- book-chapter
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude et ne compte pas comme une seconde source scientifique indépendante.
Institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.