International Journal of Smart Technologies and e-Applications (IJSTeA)

IJSTeA

Open AccessPeer-reviewedPériodicité : Publication bimestrielleISSN : 3125-1668

Soumettre un article Réviser des articles

About the Journal

A propos

L’International Journal of Smart Technologies and e-Applications (IJSTeA) est une revue scientifique internationale en libre accès, évaluée par les pairs, dédiée à la publication de recherches originales et de haute qualité dans le domaine des technologies intelligentes et des applications numériques. Le journal offre une plateforme pour diffuser des travaux innovants portant sur l’intégration des technologies de l’information et de la communication (TIC) dans des secteurs stratégiques tels que la santé, l’éducation, l’agriculture, l’énergie et l’environnement. IJSTeA promeut la recherche qui combine théorie, méthodologies numériques, systèmes intelligents et solutions applicatives pour répondre aux défis technologiques contemporains et aux besoins du développement durable. IL est dirige par le professeur Deme. Le Dr Chérif Bachir Deme est un enseignant‑chercheur en informatique et technologies de l’information à l’Université Alioune Diop de Bambey, impliqué notamment dans l’équipe de recherche Technologies de l’Information et de la Communication pour le développement Juridiques et Politiques (TIC4DEV). Ses travaux couvrent des domaines tels que la recherche fondamentale et appliquée en TIC, l’e‑learning et le m‑learning, l’e‑santé et le m‑santé, l’e‑agriculture et le m‑agriculture, les réseaux de capteurs, la sécurité des systèmes d’information, la virtualisation et le cloud computing, ainsi que l’application des technologies numériques à des secteurs comme l’éducation, l’agriculture, l’énergie et l’environnement

Aims & Scope

Aims

L’objectif principal de IJSTeA est de fournir une plateforme académique internationale pour la diffusion de travaux de recherche de pointe sur les applications intelligentes et numériques des TIC. La revue vise à : Promouvoir l’innovation dans les systèmes intelligents, l’e‑santé, l’e‑agriculture, et l’éducation numérique. Publier des recherches interdisciplinaires combinant approche théorique, expérimentale et computationnelle. Favoriser le développement de solutions numériques pratiques et durables adaptées aux contextes émergents et aux pays en développement.Encourager la diffusion de méthodologies avancées en sécurité informatique, réseaux de capteurs, virtualisation et cloud computing.

Scope

IJSTeA accueille des articles couvrant, sans s’y limiter, les domaines suivants : Technologies intelligentes et systèmes numériques : conception et implémentation de systèmes automatisés et intelligents pour l’éducation, la santé et l’agriculture. e‑Health et m‑Health : solutions numériques pour la santé publique, télémédecine, suivi des patients et analyse des données de santé. e‑Learning et m‑Learning : plateformes éducatives numériques, outils interactifs, apprentissage mobile et à distance. e‑Agriculture et m‑Agriculture : systèmes de surveillance agricole, gestion de la production, modélisation prédictive et analyse de données satellitaires. Réseaux de capteurs et IoT : déploiement, analyse et optimisation de réseaux de capteurs pour la collecte de données environnementales ou agricoles. Sécurité et résilience des systèmes d’information : cryptographie, protection des données, cybersécurité et résilience des infrastructures numériques. Virtualisation, cloud computing et infrastructures intelligentes : déploiement de services numériques, gestion des ressources et applications distribuées. Applications interdisciplinaires : intégration des TIC dans l’énergie, l’environnement et le développement durable.

Current Issue

A robust and interpretable deep learning framework for crop health assessment using hybrid CNN feature stacking

pape elhadji abdoulaye gueye

Mots-clés : Feature-level stacking; convolutional neural networks; plant disease detection; model interpretability; agricultural image analysis

ensuring food security in climate-vulnerable regions such as Senegal requires timely crop health monitoring. While deep learning has advanced plant disease detection, single-model approaches often capture only a subset of the semantic, textural, and scale-dependent information required for robust crop diagnosis. We propose a hybrid feature-level stacking framework that combines deep representations from resnet50, efficientnetB0, and MobilenetV2 within a unified meta-learning pipeline. evaluated on the plantVillage dataset (54,306 images, 38 classes), the framework achieves 96.04% test accuracy with Mlp-Full, while Mlp-pCa and pCa-logistic reach 95.22% and 95.27%, respectively. Statistical analysis of the extracted feature space reveals substantial redundancy (5.83× compression at 95% variance) alongside low inter-backbone correlation (mean |r| = 0.091), confirming the complementarity of the three architectures. to assess practical deployment beyond controlled laboratory-style images, we additionally validated the adapted Mlp-Full model on the real-world Multi-Crop Disease Dataset (4382 field images). Whereas direct transfer from plantVillage had previously yielded only 55.18% accuracy, the adapted framework achieves 90.19% accuracy, 79.28% macro-F1, and 89.87% weighted-F1, demonstrating strong cross-domain robustness under realistic field conditions. this framework overcomes limitations of single-model Cnns via multi-backbone fusion, integrated interpretability, and flexible accuracy-efficiency trade-offs, providing a practical ai-assisted solution for crop health assessment.

Lire

Editorial Board

Professeur Cherif Bachir Deme

Editeur en Chef — UAD

Submissions

Préparez le manuscrit avec les templates et soumettez via la plateforme.

Template Word (.doc)Template LaTeX (.tex)Soumettre dans ce journal

Contact

Rédaction — BAJP

Email: admin@senegal-livres.sn