Обнаружение болезней стручков какао на основе ИИ для поддержки фермеров в Верхней Денкире
AI-Based Cocoa Pod Disease Detection to Support Farmers in Upper Denkyira
NSOWAH EBENEZER: MS/ITE/25/0030, PETER AKWASI SARPONG : MS/ITE/25/0029, ADOM PETER-KING ASARE: MS/ITE/25/0005
Аннотация (перевод)
Фермеры, выращивающие какао в муниципалитете Восточная Верхняя Денкира, Гана, могут потерять деревья и урожай, если болезни стручков будут замечены слишком поздно, а ручной осмотр полей часто является единственным доступным методом диагностики. В данной статье представлена легковесная, пригодная для развертывания на мобильных устройствах система классификации изображений для раннего выявления болезней стручков какао. Мы применяем трансферное обучение с использованием сверточной нейронной сети MobileNetV2, предварительно обученной на ImageNet, к общедоступному набору изображений стручков какао по трем классам: здоровые, черная гниль стручков и вредители стручков (pod borer). Модель дополнена консультативным уровнем, ориентированным на фермеров, который преобразует каждый прогноз в краткие практические рекомендации. На основе матрицы ошибок для тестовой выборки (n = 448) модель достигает общей точности приблизительно 88.2% с высокими показателями для мажоритарного класса «healthy» (полнота ≈ 0.97), но существенно более низкой полнотой для черной гнили стручков (≈ 0.60) и чрезвычайно малой, статистически ненадежной тестовой выборкой для класса вредителей стручков (n = 4). Кривые обучения также показывают, что точность на валидационной выборке достигает пика на эпохе 4 (90.7%) перед снижением на эпохе 5, что является ранним признаком переобучения, открыто рассматриваемым в данной статье. Мы сопоставляем эти результаты с параллельной работой тех же авторов по болезням листьев маниока, обсуждаем ограничения модели — включая ее опору на вторичные изображения, собранные за пределами Ганы, выраженный дисбаланс в классе вредителей стручков и отсутствие ранней остановки (early stopping) — и намечаем путь к полевой валидации и автономному мобильному развертыванию с помощью TensorFlow Lite. Данная работа демонстрирует, что существующие, общедоступные методы глубокого обучения могут быть с низкими затратами адаптированы в актуальный для местных условий инструмент поддержки принятия решений для фермеров, выращивающих какао в Восточной Верхней Денкире.
Оригинальная аннотация
Cocoa farmers in Upper Denkyira East Municipality, Ghana, can lose trees and harvests when pod diseases are noticed too late, and manual field inspection is often the only diagnostic option available. This paper presents a lightweight, mobile-deployable image classification system for early cocoa pod disease awareness. We apply transfer learning with a MobileNetV2 convolutional neural network, pre-trained on ImageNet, to a public cocoa pod image dataset across three classes: healthy, black pod rot, and pod borer. The model is paired with a farmer-facing advisory layer that translates each prediction into short, actionable guidance. Based on the test-set confusion matrix (n = 448), the model achieves approximately 88.2% overall accuracy, with strong performance on the majority "healthy" class (recall ≈ 0.97) but a substantially weaker recall on black pod rot (≈ 0.60) and an extremely small, statistically unreliable pod borer test sample (n = 4). Training curves further show validation accuracy peaking at epoch 4 (90.7%) before declining at epoch 5, an early sign of overfitting that this paper discusses openly. We situate these results against the parallel cassava leaf disease work by the same authors, discuss the model's limitations — including its reliance on secondary, non-Ghana-collected imagery, severe class imbalance in the pod borer class, and the absence of early stopping — and outline a path toward field validation and offline mobile deployment via TensorFlow Lite. This work demonstrates that existing, publicly documented deep learning techniques can be adapted at low cost into a locally-relevant decision-support tool for cocoa farmers in Upper Denkyira East.
Идентификаторы
Canonical: https://research.holos.house/w/ec172b11-18f6-4c93-bbde-a35335472741
DOI: 10.5281/zenodo.21915529