Revelación de variaciones métricas de GLCM en un conjunto de datos de enfermedades de plantas: un examen exhaustivo y perspectivas futuras para aplicaciones mejoradas de aprendizaje profundo
Autores: Kabir, Masud; Unal, Fatih; Akinci, Tahir Cetin; Martinez-Morales, Alfredo A.; Ekici, Sami
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Revelación de variaciones métricas de GLCM en un conjunto de datos de enfermedades de plantas: un examen exhaustivo y perspectivas futuras para aplicaciones mejoradas de aprendizaje profundo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Estudio
Relación
Métricas GLCM
Modelo de aprendizaje automático
Identificación de enfermedades de plantas
Evaluación de conjuntos de datos
Selección de conjuntos de datos
DarkNet19
Modelo de aprendizaje profundo
Precisión de prueba
Métricas de rendimiento
Transparencia
Rigor
Selección de conjuntos de datos
Métodos de aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 38
Citaciones: Sin citaciones
Este estudio destaca la intrincada relación entre las métricas de la Matriz de Co-ocurrencia de Niveles de Gris (GLCM) y el rendimiento del modelo de aprendizaje automático en el contexto de la identificación de enfermedades de plantas. Enfatiza la importancia de una evaluación rigurosa del conjunto de datos y protocolos de selección para garantizar resultados de clasificación confiables y generalizables.
Descripción
Este estudio destaca la intrincada relación entre las métricas de la Matriz de Co-ocurrencia de Niveles de Gris (GLCM) y el rendimiento del modelo de aprendizaje automático en el contexto de la identificación de enfermedades de plantas. Enfatiza la importancia de una evaluación rigurosa del conjunto de datos y protocolos de selección para garantizar resultados de clasificación confiables y generalizables.