Apple Leaf Disease Classification Using Image Dataset: a Multilayer Convolutional Neural Network Approach

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Agriculture is one of the prime sources of economic growth in Russia; the global apple production in 2019 was 87 million tons. Apple leaf diseases are the main reason for annual decreases in apple production, which creates huge economic losses. Automated methods for detecting apple leaf diseases are beneficial in reducing the laborious work of monitoring apple gardens and early detection of disease symptoms. This article proposes a multilayer convolutional neural network (MCNN), which is able to classify apple leaves into one of the following categories: apple scab, black rot, and apple cedar rust diseases using a newly created dataset. In this method, we used affine transformation and perspective transformation techniques to increase the size of the dataset. After that, OpenCV crop and histogram equalization method-based preprocessing operations were used to improve the proposed image dataset. The experimental results show that the system achieves 98.40% training accuracy and 98.47% validation accuracy on the proposed image dataset with a smaller number of training parameters. The results envisage a higher classification accuracy of the proposed MCNN model when compared with the other well-known state-of-the-art approaches. This proposed model can be used to detect and classify other types of apple diseases from different image datasets.

Авторлар туралы

A. Mahamudul Hashan

Ural Federal University (UrFU)

Хат алмасуға жауапты Автор.
Email: mantor@urfu.ru
Mira St. 19

R. Md Rakib Ul Islam

Ural Federal University (UrFU)

Email: mdrakibulislam.rizu@urfu.me
Mira St. 19

K. Avinash

Ural Federal University (UrFU)

Email: avinash.kumar@urfu.me
Mira St. 19

Әдебиет тізімі

  1. А.И. Кузин, Н.Я. Каширская, Кочкина А.М., Кушнер А.В. Коррекция нормы калийной фертигации яблони (Malus domestica Borkh.) в средней полосе России в период вегетации // Растения. 9, нет. 10, с. 1366, октябрь 2020 г., doi: 10.3390/plants9101366.
  2. Тай А.П.К., Мартин М.В. и Хилд С.Л. Угроза будущей глобальной продовольственной безопасности от изменения климата и загрязнения воздуха озоном // Nature Clim Change. 4, нет. 9, стр. 817–821, сентябрь 2014 г., doi: 10.1038/nclimate2317.
  3. Р.Н. Стрэндж и П.Р. Скотт, «Болезни растений: угроза глобальной продовольственной безопасности», Annu. Преподобный Phytopathol., vol. 43, нет. 1. С. 83–116, сентябрь 2005 г., doi: 10.1146/annurev.phyto.43.113004.133839.
  4. Аравинд К.Р., Раджа П., Мукеш К.В., Анируд Р., Ашивин Р. и Щепански К., «Классификация болезней кукурузы с использованием набора признаков и многоклассовой машины опорных векторов», 2-я Международная конференция по изобретательским системам, 2018 г. and Control (ICISC), Coimbatore, январь 2018 г., стр. 1191–1196. doi: 10.1109/ICISC.2018.8398993.
  5. В.П. Кур и С. Арора, «Машина опорных векторов на основе оптимизации роя частиц (P-SVM) для сегментации и классификации растений», IEEE Access, vol. 7, стр. 29374–29385, 2019, doi: 10.1109/ACCESS.2019.2901900.
  6. М. Шейхан, М. Пежманпур, М.С. Мойн, «Улучшенный стегоанализ на основе контурлетов с использованием оптимизации роя бинарных частиц и радиальных нейронных сетей», Neural Comput & Applic, vol. 21, нет. 7, стр. 1717–1728, октябрь 2012 г., doi: 10.1007/s00521-011-0729-9.
  7. Н. Геттари, А.С. Капелле-Лэиз и П. Карре, «Слепой стегоанализ изображений на основе доказательных K-ближайших соседей», Международная конференция IEEE по обработке изображений (ICIP), 2016 г., Феникс, Аризона, США, сентябрь 2016 г., стр. 2742–2746. doi: 10.1109/ICIP.2016.7532858.
  8. Беди П. и Голе П. Обнаружение болезней растений с использованием гибридной модели на основе сверточных автоэнкодеров и сверточных нейронных сетей // Искусственный интеллект в сельском хозяйстве. 5, стр. 90–101, 2021, doi: 10.1016/j.aiia.2021.05.002.
  9. С. Чакраборти, С. Пол и доктор медицинских наук Рахат-уз-Заман, «Прогнозирование болезней листьев яблони с использованием мультиклассовой машины опорных векторов», 2-я Международная конференция по робототехнике, электрическим технологиям и методам обработки сигналов (ICREST), 2021 г. , Бангладеш, январь 2021 г., стр. 147–151. doi: 10.1109/ICREST51555.2021.9331132.
  10. Ю. Чжун и М. Чжао, «Исследование глубокого обучения в распознавании болезней листьев яблони», Компьютеры и электроника в сельском хозяйстве, том. 168, с. 105146, январь 2020 г., doi: 10.1016/j.compag.2019.105146.
  11. П. Йианг, Ы. Цхен, Б. Лиу, Д. Хе и Ц. Лианг, «Обнаружение болезней листьев яблони в реальном времени с использованием подхода глубокого обучения, основанного на улучшенных сверточных нейронных сетях», IEEE Access, vol. 7, стр. 59069–59080, 2019, doi: 10.1109/ACCESS.2019.2914929.
  12. А.М. Хасан, Э. Агбозо, А.А.К. Аль-Саиди, С. Саха, А. Хайдари и М.Н.Ф. Раби, «Обнаружение опухоли головного мозга на изображениях МРТ с использованием методов обработки изображений», в 2021 г. 4-й Международный симпозиум по агентам, многоагентным Системы и робототехника (ISAMSR), Бату Пахат, Малайзия, сентябрь 2021 г., стр. 24–28. doi: 10.1109/ISAMSR53229.2021.9567799.
  13. А.К. Рангараджан, Р. Пурушотаман и А. Рамеш, «Классификация болезней растений томатов с использованием предварительно обученного алгоритма глубокого обучения», Procedia Computer Science, vol. 2018. Т. 133. С. 1040–1047. doi: 10.1016/j.procs.2018.07.070.
  14. Х. Хие, Ы. Ма, Б. Лиу, Дж. Хе, С. Ли и Х. Щанг, «Детектор заболеваний виноградных листьев в режиме реального времени на основе глубокого обучения с использованием усовершенствованных сверточных нейронных сетей», Front. Растениевод., т. 1, с. 11, с. 751, июнь 2020 г., doi: 10.3389/fpls.2020.00751.
  15. Дж. Сан, Ы. Ыанг, Х. Хе и Х. Щу, «Обнаружение гнили листьев северной кукурузы в сложных полевых условиях на основе глубокого обучения», IEEE Доступ, том. 8, стр. 33679–33688, 2020, doi: 10.1109/ACCESS.2020.2973658.
  16. Х. Саброл и К. Сатиш, «Классификация болезней растений томатов на цифровых изображениях с использованием дерева классификации», Международная конференция по связи и обработке сигналов (ICCSP) 2016 г., Мелмаруватур, Тамилнаду, Индия, апрель 2016 г., стр. 1242– 1246. doi: 10.1109/ICCSP.2016.7754351.
  17. Д. Ядав, Аканкша и А.К. Ядав, «Новая модель на основе сверточной нейронной сети для распознавания и классификации болезней листьев яблони», TS, vol. 37, нет. 6, стр. 1093–1101, декабрь 2020 г., doi: 10.18280/ts.370622.
  18. С. Баранвал, С. Ханделвал и А. Арора, «Сверточная нейронная сеть с глубоким обучением для обнаружения болезней листьев яблони», SSRN Journal, 2019, doi: 10.2139/ssrn.3351641.
  19. Лю Б., Чжан Ю., Хэ Д., Ли Ю., «Идентификация болезней листьев яблони на основе глубоких сверточных нейронных сетей», Симметрия, том. 10, нет. 1, с. 11 декабря 2017 г., doi: 10.3390/sym10010011.
  20. М. Керкеч, А. Хафиан и Р. Каналс, «Обнаружение болезней винограда на многоспектральных изображениях БПЛА с использованием оптимизированной регистрации изображений и подхода к сегментации глубокого обучения», Компьютеры и электроника в сельском хозяйстве, том. 174, с. 105446, июль 2020 г., doi: 10.1016/j.compag.2020.105446.
  21. С.Л. Санга, Д. Мачуве и К. Джоманга, «Мобильные модели глубокого обучения для обнаружения банановых болезней», Eng. Технол. заявл. науч. Рез., том. 10, нет. 3, стр. 5674–5677, июнь 2020 г., doi: 10.48084/etasr.3452.
  22. Факультет компьютерных наук, Университет Суккур IBA, Пакистан. и др., «Обнаружение болезней растений с использованием глубокого обучения», IJRTE, vol. 9, нет. 1, стр. 909–914, май 2020 г., doi: 10.35940/ijrte.A2139.059120.
  23. Л. Ву, Дж. Ма, Ю. Чжао и Х. Лю, «Обнаружение яблок в сложной сцене с использованием улучшенной модели YOLOv4», Агрономия, том. 11, нет. 3, с. 476, март 2021 г., doi: 10.3390/agronomy11030476.
  24. С. Кулибали, Б. Камсу-Фогем, Д. Камиссоко и Д. Траоре, «Глубокие нейронные сети с переносом обучения на изображениях урожая проса», Компьютеры в промышленности, том. 108, стр. 115–120, июнь 2019 г., doi: 10.1016/j.compind.2019.02.003.
  25. Брилл Ф., Ерухимов В., Гидутури Р., Рамм С., «Основные преобразования изображений», в Руководстве по программированию OpenVX, Elsevier, 2020, стр. 85–123. doi: 10.1016/B978-0-12-816425-9.00012-7.
  26. С. Голлапуди, «OpenCV с Python», в книге «Изучение компьютерного зрения с помощью OpenCV», Беркли, Калифорния: Apress, 2019, стр. 31–50. doi: 10.1007/978-1-4842-4261-2_2.
  27. Али Х., Лали М.И., Наваз М.З., Шариф М. и Салим Б.А. Автоматическое обнаружение болезней цитрусовых на основе симптомов с использованием цветовой гистограммы и текстурных дескрипторов // Компьютеры и электроника в сельском хозяйстве. 138, стр. 92–104, июнь 2017 г., doi: 10.1016/j.compag.2017.04.008.
  28. Ю. Лекун, Л. Ботту, Ю. Бенжио и П. Хаффнер, «Градиентное обучение, применяемое для распознавания документов», Proc. IEEE, том. 86, нет. 11, стр. 2278–2324, ноябрь 1998 г., doi: 10.1109/5.726791.
  29. Агарап А.Ф., «Глубокое обучение с использованием выпрямленных линейных единиц (ReLU)», arXiv: 1803.08375 [cs, stat], февраль 2019 г., доступ: 13 декабря 2021 г. [Онлайн]. Доступно: http://arxiv.org/abs/1803.08375
  30. Антор Махмудул Хасан, «Болезни листьев яблони». Каггль. doi: 10.34740/KAGGLE/DSV/2068940.
  31. Д.П. Кингма и Дж.Ба, «Адам: метод стохастической оптимизации», 2014 г., doi: 10.48550/ARXIV.1412.6980.
  32. Р.Р.О. Аль-Нима, С.С. Длей, У.Л. Ву и Дж.А. Чемберс, «Новый биометрический подход к созданию ROC-кривой на основе вероятностной нейронной сети», 24-я конференция по обработке сигналов и связи (SIU), Зонгулдак, Турция, 2016 г. Май 2016 г., стр. 141–144. doi: 10.1109/SIU.2016.7495697.
  33. А. Хампария, Г. Саини, Д. Гупта, А. Ханна, С. Тивари и В.Х.К. де Альбукерке, «Прогнозирование и классификация сезонных болезней сельскохозяйственных культур с использованием сети глубоких сверточных кодировщиков», Circuits Syst Signal Process, vol. 39, нет. 2, стр. 818–836, февраль 2020 г., doi: 10.1007/s00034-019-01041-0.
  34. Д. Тивари, М. Ашиш, Н. Гангвар, А. Шарма, С. Патель и С. Бхардвадж, «Обнаружение болезней листьев картофеля с использованием глубокого обучения», 2020 г. 4-я Международная конференция по интеллектуальным вычислительным системам и системам управления (ICICCS). ), Мадурай, Индия, май 2020 г., стр. 461–466. doi: 10.1109/ICICCS48265.2020.9121067.
  35. Ф. Мохамет, К. Бинкай и К.А. Сада, «Обнаружение болезней растений с помощью глубокого обучения и извлечения признаков с использованием Plant Village», JCC, vol. 08, нет. 06, стр. 10–22, 2020, doi: 10.4236/jcc.2020.86002.
  36. Ферентинос К.П. Модели глубокого обучения для обнаружения и диагностики болезней растений // Компьютеры и электроника в сельском хозяйстве. 145, стр. 311–318, февраль 2018 г., doi: 10.1016/j.compag.2018.01.009.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».