تستقصي هذه الدراسة بشكل مقارن أداء نماذج التعلم العميق والنهج الهجينة للكشف عن وتصنيف أمراض أوراق البطاطس (العفن المبكر، العفن المتأخر، والصحي). في المرحلة الأولى، تم إجراء تصنيف الصور المباشر باستخدام نماذج التعلم العميق المدربة مسبقًا DenseNet201 وResNet50V2 وVGG16 وXception. من بين هذه النماذج، حقق نموذج VGG16 أعلى دقة. في المرحلة الثانية، تم استخدام نفس نماذج التعلم العميق كمستخلصات ميزات، وتم تصنيف الميزات الناتجة باستخدام خوارزميات التعلم الآلي التقليدية، SVM وKNN وRF وXGB. قدمت هذه النهجات الهجينة زيادة كبيرة في أداء التصنيف. كشفت النتائج أن مزيج DenseNet201 مع SVM وXGB أظهر أداءً فائقًا مع معدل دقة إجمالية يبلغ 99.31%. توضح هذه النتائج أن قدرات استخراج الميزات القوية للهياكل المعمارية للتعلم العميق، جنبًا إلى جنب مع قوة التصنيف الفعالة لخوارزميات التعلم الآلي التقليدية، توفر دقة وموثوقية أعلى مقارنة بالنهج المباشر للتعلم العميق. تسلط الدراسة الضوء على إمكانيات النهجات الهجينة، خاصة للتطبيقات مثل معالجة الصور الزراعية وكشف أمراض النباتات.
درس شكر أياكات (الأربعاء) هذا السؤال.