Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Light Acquisition02:16

Light Acquisition

9.3K
In order to produce glucose, plants need to capture sufficient light energy. Many modern plants have evolved leaves specialized for light acquisition. Leaves can be only millimeters in width or tens of meters wide, depending on the environment. Due to competition for sunlight, evolution has driven the evolution of increasingly larger leaves and taller plants, to avoid shading by their neighbors with contaminant elaboration of root architecture and mechanisms to transport water and nutrients.
9.3K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Sensors-Driven Multimodal Deepfake Detection: A Cross-Attention Fusion Approach with Adaptive Modality Gating.

Sensors (Basel, Switzerland)·2026
Same author

IMAU-Net: A Hybrid Multi-Scale Deep Learning Framework for Liver Segmentation from Laparoscopic Images.

Sensors (Basel, Switzerland)·2026
Same author

Dual framework for rainfall prediction: a multi-seed machine and deep learning evaluation across Pakistan's climatic regimes.

Scientific reports·2026
Same author

Experimental evaluation of bond performance between substrate and overlay concrete using bonding agents and mechanical connectors.

Scientific reports·2026
Same author

Honey yield prediction and neonicotinoid risk assessment utilizing a machine learning framework in smart agriculture.

Scientific reports·2026
Same author

Energy-optimized 6G communication framework with intelligent resource allocation for massive IoT networks.

Scientific reports·2026
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: Jan 7, 2026

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
08:47

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation

Published on: February 9, 2024

2.0K

Marco de aprendizaje profundo utilizando imágenes de Drones para la detección multienfermedad en cultivos de cereales

Aqsa Mahmood1,2, Waheed Anwar2, Hina Sattar1

  • 1Department of Computer Science & IT, Government Sadiq College Women University, Bahawalpur, 63100, Pakistan.

Scientific reports
|December 26, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Un nuevo marco híbrido de aprendizaje profundo (MDDM-WD) detecta con precisión múltiples enfermedades del trigo utilizando imágenes de drones. Este sistema automatizado mejora la agricultura de precisión y apoya las prácticas agrícolas sostenibles para mejorar la seguridad alimentaria.

Palabras clave:
aprendizaje profundo híbridoclasificadores de aprendizaje automáticoagricultura de precisiónaprendizaje por transferenciaimágenes de dronesdetección de enfermedades del trigo

Más Videos Relacionados

Cereal Crop Ear Counting in Field Conditions Using Zenithal RGB Images
11:49

Cereal Crop Ear Counting in Field Conditions Using Zenithal RGB Images

Published on: February 2, 2019

9.8K
Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring
08:16

Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring

Published on: October 24, 2025

416

Videos de Experimentos Relacionados

Last Updated: Jan 7, 2026

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
08:47

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation

Published on: February 9, 2024

2.0K
Cereal Crop Ear Counting in Field Conditions Using Zenithal RGB Images
11:49

Cereal Crop Ear Counting in Field Conditions Using Zenithal RGB Images

Published on: February 2, 2019

9.8K
Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring
08:16

Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring

Published on: October 24, 2025

416

Área de la Ciencia:

  • Ciencias Agrícolas
  • Ciencias de la Computación
  • Patología Vegetal

Sus antecedentes:

  • La producción de trigo es vital para la seguridad alimentaria mundial, pero está amenazada por enfermedades y factores ambientales.
  • Los métodos tradicionales de detección de enfermedades son laboriosos, consumen mucho tiempo y son subjetivos.
  • El monitoreo automatizado de enfermedades en tiempo real es crucial para la agricultura de precisión moderna.

Objetivo del estudio:

  • Desarrollar un Marco de Detección Multienfermedad para Enfermedades del Trigo (MDDM-WD) automatizado, preciso y en tiempo real utilizando imágenes de drones.
  • Integrar el aprendizaje profundo (VGG-16) con clasificadores de aprendizaje automático para mejorar la identificación de enfermedades del trigo.
  • Abordar las limitaciones de los métodos convencionales de detección de enfermedades en la agricultura.

Principales métodos:

  • Un enfoque híbrido de aprendizaje profundo que utiliza la red neuronal convolucional VGG-16 para la extracción de características a través del aprendizaje por transferencia.
  • Clasificación de características extraídas utilizando Máquina de Vectores de Soporte (SVM), Random Forest (RF), Árbol de Decisión (DT), XGBoost y Bernoulli Naïve Bayes (BNB).
  • Entrenamiento y evaluación en un conjunto de datos personalizado de enfermedades del trigo que incluyen roya estriada, oídio, fusarium y enanismo amarillo.

Principales resultados:

  • El marco híbrido MDDM-WD logró un alto rendimiento de clasificación, con una precisión que oscila entre el 74% y el 97%.
  • El modelo variante basado en SVM demostró un rendimiento superior con un 96% de precisión, 95,7% de recuperación, 96% de puntuación F1 y 97% de precisión.
  • El sistema identificó eficazmente múltiples enfermedades del trigo, mostrando mejoras significativas sobre los métodos convencionales.

Conclusiones:

  • El sistema MDDM-WD propuesto de dos fases y ajuste fino es eficaz y eficiente para la detección temprana de múltiples enfermedades del trigo.
  • Este marco ofrece una solución eficiente en recursos y escalable para la agricultura de precisión, ayudando a la toma de decisiones de los agricultores.
  • El estudio apoya el avance de la agricultura sostenible a través del monitoreo automatizado de enfermedades.