Plant leaf disease classification using deep Convolutional neural network with Bayesian learning

Sachdeva, Guneet; Singh, Preeti; Kaur, Pardeep

doi:10.1016/j.matpr.2021.02.312

Cited by 51 publications

(18 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

Section: Literature Reviewmentioning

confidence: 99%

“…In [61] a research has been performed on plant leaf illnesses recognition using CNN with Bayesian algorithm. The authors in [61] used over 20,000 images of potato, tomato and pepper bell to achieve an overall accuracy of 98.9%. Authors in [62] examine four diseases; leaf blight, black rot, stable and black measles grape plants diseases.…”

Section: Literature Reviewmentioning

confidence: 99%

See 1 more Smart Citation

Detection and Classification of Plant Leaf Diseases Using Digtal Image Processing Methods: A Review

Mohammed

Yusoff²

2023

AEJ

View full text Add to dashboard Cite

Prediction and classification of plant leaf illnesses by farmers using conventional approaches can be unexciting and erroneous. Problems may occur while trying to predict the sort of illnesses manually. Inability to detect diseases of plants promptly could lead to the destruction of crop plants and this can cause serious decline in the yield. Losses can be prevented and yield be maximized when farmers adopt computerized image processing approaches in their farms. Numerous techniques have been proposed and used in the prediction of diseases of crop plants based on the images of the infected leaves. Researchers have in the past achieved a lot in the aspect of plant illnesses identification by exploring several techniques and models. However, improvement needs to be provided on account of reviews, new advancements and discussions. Deploying technology can greatly enhance crop production across the globe. Different approaches and models can be trained with huge data to identify new improved methods for uncovering diseases of plants to tackle problem of low yield. Previous works have determined the robustness of various image processing techniques such as; K-means clustering, Naive Bayes, Feed forward neutral network (FFNN), Support Vector Machine (SVM), K-nearest neighbor (KNN) classifier, Fuzzy logic, Genetic Algorithm (GA), Artificial Neural Network (ANN), Convolutional Neural Network (CNN) etc. This paper provides a critical review and results of different types of approaches and methods used previously to detect and classify various types of plant leaf illnesses using image processing approaches.

show abstract

Section: Literature Reviewmentioning

confidence: 99%

Section: Literature Reviewmentioning

confidence: 99%

Detection and Classification of Plant Leaf Diseases Using Digtal Image Processing Methods: A Review

Mohammed

Yusoff²

2023

AEJ

View full text Add to dashboard Cite

show abstract

“…al. [22] introduce Bayesian process for efficient feature learning. Few papers [23,24] discussed techniques based on an automatic web facilitated leave disease segmentation system for mango tree using a neural network (NN).…”

Section: Related Workmentioning

confidence: 99%

Mango Plant Disease Detection System Using Hybrid BBHE and CNN Approach

Rajpoot¹,

Dubey²,

Mannepalli³

et al. 2022

View full text Add to dashboard Cite

Detection of plant diseases plays a crucial role in taking disease control measures to increase the quality and quantity of crops produced. Plant disease automation is beneficial because it eliminates surveillance work at significant farms. As plants are a food source, diagnosing leaf conditions early and accurately is essential. This work involves a detailed learning approach that automates leaf disease detection in mango plant species. This paper presents a detection system using Brightness Preserving Bi-Histogram Equalization (BBHE) and Convolutional Neural Network (CNN). The photographs of mango leaves were first flattened, then resized and translated to their threshold value, followed by feature extraction. CNN and BBHE have extensively been used for pattern recognition. The test images of affected leaves were subsequently uploaded to the system and then matched to the ailments being trained. Training data and test data were cross-validated to balance over-adjustment and under-adjustment problems. The proposed method correctly detects the mango leaves disease at the early stage with 99.21% maximum accuracy.

show abstract

“…Erken olgunlaşmış ve olgun çilek örneklerini sınıflandırmak için de önceden eğitilmiş AlexNet evrişimsel sinir ağı kullanılmıştır [10]. Derin öğrenme teknikleri aracılığıyla türlerini sınıflandırmak için iki bitki tohumu veri setini incelemiş ; mahsullerde hastalıkların erken tespiti ve mahsul verimini artırmak için çok önemli sonuçlar elde edilmiştir [11][12]. Bitkilerdeki hastalıkların sınıflandırılmas ı evrişimli sinir ağlarının kullanımı yine bazı çalışmalard a gerçekleştirilmiş ve iyi sonuçlar elde edilmiştir [13].…”

Section: Introductionunclassified

Classification of Apple Varieties by Types Using Image Processing Techniques

Adige

Kurban

Durmuş

et al. 2022

EJOSAT

View full text Add to dashboard Cite

Gelişen teknoloji ile birlikte son dönemlerde sıkça duymaya başladığımız “Yapay Zekâ” ve “Derin Öğrenme” kavramlarının pek çok uygulama alanları mevcuttur. İnsan zekâsını taklit eden bu yöntemler çevresinden aldığı veri setlerini tıpkı insanlar gibi deneyim yoluyla öğrenir. Bu çalışmada Kayseri’nin Yahyalı ilçesinde yetişen elma çeşitlerinin cinslerine göre sınıflandırılması yapılmıştır. Elma meyvesi Eylül ayında toplandığı için elmaların ağaçtan koparıldığı hasat zamanında elde edilmiştir. Elma üretimi yapan çiftçilerin en büyük problemleri el izi olmadan ve en kısa sürede elmaların çeşitlerine göre sınıflandırılmasıdır. Bu çalışmada, 20 Golden, 20 Arjantin, 20 Buckeye Gala, 20 Galaval, 20 Superchief ve 20 Joremin elma türlerinden toplam 120 görüntü alınmıştır. Görüntüler sabit bir arka fonda aynı açı ve aynı büyüklükte Canon EOS 70D DSLR marka fotoğraf makinası ile çekilmiştir. Görüntü işlemek için MATLAB programının R2021a sürümünden faydalanılmıştır. Elma çeşitlerinin türlerine göre sınıflandırılması için derin öğrenme algoritmalarından yararlanılmıştır. Sınıflandırma problemlerinin çözümünde kullanılan en temel mimarilerinden olan AlexNet ve GoogleNet derin öğrenme algoritmaları kullanılmıştır. Çalışma AlexNet ve GoogleNet yöntemlerinin her ikisinde de 10 epoch değerinde ve sgdm eğitim algoritmasında gerçekleştirilmiştir. Öğrenme oranları AlexNet ve GoogleNet için sırasıyla 0.0001 ve 0.0003 olarak ele alınmıştır. Görüntülerin %70’i eğitim %30’u test amacıyla kullanılmış olup toplam veri seti her çeşitte 20 adet olmak üzere 120 tane görselden oluşmaktadır. AlexNet mimarisi %83.33 başarı oranı, 1 dakika 52 saniyedir. GoogleNet mimarisinin sınıflandırma başarı oranı %91,67’ dir, 2 dakika 14 saniye süre ile en başarılı sınıflandırma işlemini gerçekleştirmiştir.

show abstract

Plant leaf disease classification using deep Convolutional neural network with Bayesian learning

Cited by 51 publications

References 14 publications

Detection and Classification of Plant Leaf Diseases Using Digtal Image Processing Methods: A Review

Detection and Classification of Plant Leaf Diseases Using Digtal Image Processing Methods: A Review

Mango Plant Disease Detection System Using Hybrid BBHE and CNN Approach

Classification of Apple Varieties by Types Using Image Processing Techniques

Contact Info

Product

Resources

About