Вычислительная модель на основе глубокого обучения для идентификации болезней стручков какао (Theobroma cacao L.)
Deep Learning-Based Computational Model for Disease Identification in Cocoa Pods (Theobroma cacao L.)
Darlyn Buenaño Vera, Byron Oviedo, Washington Chiriboga Casanova, Cristian Zambrano-Vega
Аннотация (перевод)
Раннее выявление болезней стручков какао является важной задачей для обеспечения производства высококачественного какао. Использование методов искусственного интеллекта, таких как машинное обучение, компьютерное зрение и глубокое обучение, представляет собой перспективное решение для выявления и классификации болезней стручков какао. В данной статье мы представляем разработку и оценку вычислительной модели глубокого обучения, применяемой для идентификации болезней стручков какао, с акцентом на заболевания «monilia» и «black pod». Был проведен исчерпывающий обзор современного уровня развития вычислительных моделей на основе научных статей, посвященных идентификации болезней растений с использованием методов компьютерного зрения и глубокого обучения. В результате поиска была выбрана EfficientDet-Lite4 — эффективная и легковесная модель для обнаружения объектов. Набор данных, включающий изображения как здоровых, так и пораженных болезнями стручков какао, был использован для обучения модели обнаружению и точной локализации проявлений болезней со значительной точностью. Существенные улучшения в обучении и оценке модели демонстрируют возможность распознавания и классификации болезней посредством анализа изображений. Кроме того, функциональные возможности модели были интегрированы в нативное мобильное приложение для Android с удобным пользовательским интерфейсом, что позволяет молодым или неопытным фермерам быстро и точно определять состояние здоровья стручков какао.
Оригинальная аннотация
The early identification of diseases in cocoa pods is an important task to guarantee the production of high-quality cocoa. The use of artificial intelligence techniques such as machine learning, computer vision and deep learning are promising solutions to help identify and classify diseases in cocoa pods. In this paper we introduce the development and evaluation of a deep learning computational model applied to the identification of diseases in cocoa pods, focusing on "monilia" and "black pod" diseases. An exhaustive review of state-of-the-art of computational models was carried out, based on scientific articles related to the identification of plant diseases using computer vision and deep learning techniques. As a result of the search, EfficientDet-Lite4, an efficient and lightweight model for object detection, was selected. A dataset, including images of both healthy and diseased cocoa pods, has been utilized to train the model to detect and pinpoint disease manifestations with considerable accuracy. Significant enhancements in the model training and evaluation demonstrate the capability of recognizing and classifying diseases through image analysis. Furthermore, the functionalities of the model were integrated into an Android native mobile with an user-friendly interface, allowing to younger or inexperienced farmers a fast and accuracy identification of health status of cocoa pods
Идентификаторы
Canonical: https://research.holos.house/w/77dd0c61-7bd0-4abe-b763-fd69c14a33da