Phát hiện bệnh gỉ sắt trên lá cà phê sử dụng bộ trích xuất đặc trưng dựa trên MobileNetV2, bộ phân loại SVM và kỹ thuật trực quan hóa
DOI:
https://doi.org/10.54939/1859-1043.j.mst.CSCE8.2024.33-43Từ khóa:
Bộ trích rút đặc trưng dựa trên CNN; Bộ phân loại; Học chuyển giao; Phát hiện bệnh gỉ sắt trên lá cà phê; Kỹ thuật trực quan hóa.Tóm tắt
Cây cà phê là một loại cây trồng nông nghiệp quan trọng, đặc biệt là ở Việt Nam, và sự phát triển của nó bị ảnh hưởng bởi thời tiết, canh tác và bệnh tật. Một trong những bệnh phổ biến nhất ảnh hưởng đến cây cà phê là bệnh gỉ sắt, việc phát hiện và điều trị kịp thời bệnh này rất quan trọng để duy trì năng suất và chất lượng sản phẩm cà phê. Bài báo này đề xuất một phương pháp tiếp cận sử dụng mô hình lai để phát hiện bệnh gỉ sắt từ hình ảnh lá cà phê. Mô hình này có thể sử dụng để xây dựng ứng dụng tự động phát hiện sớm bệnh gỉ sắt ở cà phê. Với phương pháp tiếp cận mô hình lai, việc trích xuất đặc trưng được thực hiện bằng cách sử dụng mô hình mạng nơ-ron tích chập (CNN) trên hình ảnh. Những đặc trưng được trích rút, sau đó được sử dụng để huấn luyện bộ phân loại cho việc phân loại hình ảnh. Chúng tôi đã thử nghiệm với các mạng CNN huấn luyện trước nhỏ gọn, bao gồm MobileNet, MobileNetV2, và NASNetMobile, và chọn MobileNetV2 làm bộ trích xuất đặc trưng. Đối với bộ phân loại, chúng tôi đã thử nghiệm SVM, DecisionTree, và RandomForest và chọn SVM cho việc phân loại hình ảnh. Nghiên cứu này sử dụng bộ dữ liệu công khai về lá cà phê, RoCoLe, và kết quả thử nghiệm cho thấy phương pháp đề xuất đạt được điểm chính xác là 97,13%, và cải thiện độ chính xác 2,39% so với việc sử dụng mạng nơ-ron tích chập thông thường. Hơn nữa, trong nghiên cứu này, chúng tôi trình bày một phương pháp để trực quan hóa bệnh gỉ sắt trên cây cà phê bằng cách sử dụng Grad-cam. Phương pháp trực quan hóa này có thể làm nổi bật các vùng trên ảnh mà mô hình phân loại coi là quan trọng đóng góp vào việc phân loại. Mục tiêu của chúng tôi là trực quan hóa các yếu tố để hiểu rõ hơn về những gì mà mô hình "nhìn thấy" khi nó học cách phân biệt giữa hình ảnh lá cà phê khỏe mạnh và lá bị bệnh.
Tài liệu tham khảo
[1]. Beche, Dinkissa, Ayco JM Tack, Sileshi Nemomissa, Debissa Lemessa, Bikila Warkineh, and Kristoffer Hylander. "Prevalence of major pests and diseases in wild and cultivated coffee in Ethiopia." Basic and Applied Ecology 73: 3-9, (2023). DOI: https://doi.org/10.1016/j.baae.2023.06.005
[2]. Sandler, Mark, Andrew Howard, Menglong Zhu, Andrey Zhmoginov, and Liang-Chieh Chen. "Mobilenetv2: Inverted residuals and linear bottlenecks." In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 4510-4520. (2018). DOI: https://doi.org/10.1109/CVPR.2018.00474
[3]. Ma, Yunqian, and Guodong Guo, eds. Support vector machines applications. Vol. 649. New York: Springer, (2014). DOI: https://doi.org/10.1007/978-3-319-02300-7
[4]. Hussein, Mohammed A., and Amel H. Abbas. "Plant leaf disease detection using sup-port vector machine." Al-Mustansiriyah Journal of Science 30, no. 1: 105-110, (2019). DOI: https://doi.org/10.23851/mjs.v30i1.487
[5]. Zhang, Shanwen, Haoxiang Wang, Wenzhun Huang, and Zhuhong You. "Plant dis-eased leaf segmentation and recognition by fusion of superpixel, K-means and PHOG." Optik 157: 866-872, (2018). DOI: https://doi.org/10.1016/j.ijleo.2017.11.190
[6]. Mengistu, Abrham Debasu, Dagnachew Melesew Alemayehu, and Seffi Gebeyehu Mengistu. "Ethiopian coffee plant diseases recognition based on imaging and ma-chine learning techniques." International Journal of Database Theory and Application 9, no. 4: 79-88, (2016). DOI: https://doi.org/10.14257/ijdta.2016.9.4.07
[7]. Hayit, Tolga, Hasan Erbay, Fatih Varçın, Fatma Hayit, and Nilüfer Akci. "Determina-tion of the severity level of yellow rust disease in wheat by using convolutional neural networks." Journal of Plant Pathology 103, no. 3: 923-934, (2021). DOI: https://doi.org/10.1007/s42161-021-00886-2
[8]. Ahila Priyadharshini, Ramar, Selvaraj Arivazhagan, Madakannu Arun, and Annamalai Mirnalini. "Maize leaf disease classification using deep convolutional neural net-works." Neural Computing and Applications 31: 8887-8895, (2019). DOI: https://doi.org/10.1007/s00521-019-04228-3
[9]. Al‐gaashani, Mehdhar SAM, Fengjun Shang, Mohammed SA Muthanna, Mashael Khayyat, and Ahmed A. Abd El‐Latif. "Tomato leaf disease classification by exploit-ing transfer learning and feature concatenation." IET Image Processing 16, no. 3: 913-925, (2022). DOI: https://doi.org/10.1049/ipr2.12397
[10]. Yebasse, Milkisa, Birhanu Shimelis, Henok Warku, Jaepil Ko, and Kyung Joo Cheoi. "Coffee disease visualization and classification." Plants 10, no. 6: 1257, (2021). DOI: https://doi.org/10.3390/plants10061257
[11]. Abuhayi, Biniyam Mulugeta, and Abdela Ahmed Mossa. "Coffee disease classifica-tion using Convolutional Neural Network based on feature concatenation." Informat-ics in Medicine Unlocked 39: 101245, (2023). DOI: https://doi.org/10.1016/j.imu.2023.101245
[12]. Clinton Sheppard. Tree-based machine learning algorithms: Decision trees, random forests, and boosting. CreateSpace Independent Publishing Platform, (2017).
[13]. Parraga-Alava, Jorge, Kevin Cusme, Angélica Loor, and Esneider Santander. "RoCoLe: A robusta coffee leaf images dataset for evaluation of machine learning based methods in plant diseases recognition." Data in brief 25: 104414, (2019). DOI: https://doi.org/10.1016/j.dib.2019.104414
[14]. Zoph, Barret, Vijay Vasudevan, Jonathon Shlens, and Quoc V. Le. "Learning transfer-able architectures for scalable image recognition." In Proceedings of the IEEE con-ference on computer vision and pattern recognition, pp. 8697-8710. (2018). DOI: https://doi.org/10.1109/CVPR.2018.00907
[15]. Selvaraju, Ramprasaath R., Michael Cogswell, Abhishek Das, Ramakrishna Vedantam, Devi Parikh, and Dhruv Batra. "Grad-cam: Visual explanations from deep networks via gradient-based localization." In Proceedings of the IEEE international conference on computer vision, pp. 618-626. (2017). DOI: https://doi.org/10.1109/ICCV.2017.74
[16]. Esgario, José GM, Renato A. Krohling, and José A. Ventura. "Deep learning for clas-sification and severity estimation of coffee leaf biotic stress." Computers and Electron-ics in Agriculture 169: 105162, (2020). DOI: https://doi.org/10.1016/j.compag.2019.105162
