Архив Сельское хозяйство · Растениеводство и зерно
Университет Виджаянагара: CNN классифицирует болезни листа, точность 99,06%
Исследователи Университета Виджаянагара (Индия) обучили глубокую свёрточную сеть на базе VGG16 классифицировать болезни листа растений. Точность на тестовой выборке составила 99,06%.
Кейс предоставлен Vinum ex Machina
запись № 242 · Кейсбук v2026-09-29, Никита Худов · CC BY-SA 4.0
Текст адаптирован под формат паспорта АрхИИВ и публикуется по CC BY-NC 4.0 с разрешения автора Кейсбука.
/01 · ключевые результаты
Цифры приведены по Кейсбуку Vinum ex Machina и не сверены редакцией с первоисточником.
-
возможность системы
99,06%
точность классификации болезней листа
Vinum ex Machina, документ, 29.09.2026
2024 год · тестовая выборка, глубокая CNN на базе VGG16, изображения из Kaggle
данные исследования
- 9 027 изображений объём набора данных из Kaggle · масштаб Vinum ex Machina, документ, 29.09.2026
оценка strategai
Оценка не рассчитывается.
Исследователи Университета Виджаянагара (Индия) обучили глубокую свёрточную сеть на базе VGG16 классифицировать болезни листа растений. Точность на тестовой выборке составила 99,06%.
/02 · паспорт кейса
Бизнес
- Компания
- Vijayanagara University
- Отрасль
- Сельское хозяйство · Растениеводство и зерно
- Функция
- Производство и основные операции
- Задача
- Точное земледелие и животноводство
Технология
- Класс AI
- Компьютерное зрение
- Тип решения
- Собственная разработка
- Данные
- 9 027 изображений из набора данных Kaggle
Внедрение
- Стадия
- Исследование, на 29.09.2026
- География
- Индия
/03 · описание кейса
Зачем
Бизнес-задача
Исследователь Prasad K.V. из Университета Виджаянагара (Индия) в 2024 году занялся задачей автоматической классификации болезней листа по изображениям. Работа опубликована в журнале Scientific Reports и относится к исследовательской стадии.
Что
Решение
Решение построено на глубокой свёрточной нейронной сети на базе архитектуры VGG16. Обучение и оценка выполнены на открытых данных: набор из 9 027 изображений взят из Kaggle.
Как
Внедрение
Исследование проведено в 2024 году и описано в статье в Scientific Reports. Модель обучалась на изображениях из Kaggle; точность классификации на тесте составила 99,06%.
/04 · источники и проверка
Что подтверждено
- Глубокая CNN на базе VGG16 достигла точности 99,06% на тесте при классификации болезней листа.
- Исследование описано в Scientific Reports; использован набор из 9 027 изображений из Kaggle.
Ограничения
- 99,06% — точность на тестовой выборке открытого набора Kaggle; цифра не показывает качество распознавания на снимках из реальных хозяйств.
- Работа носит исследовательский характер: данных о внедрении, охвате посевов или экономическом эффекте нет.
-
[1] Vinum ex Machina
Vinum ex Machina — Кейсбук, запись № 242
партнёр · 29.09.2026
Открыть источник
АрхИИВ /strategai · CB-002710 · Версия 1 · 25.10.2026 · /c/CB-002710/ · Vinum ex Machina № 242