Новости

Jun 06, 2023

Обнаружение и идентификация болезней чайного листа на основе YOLOv7 (YOLO

Научные отчеты, том 13,

Научные отчеты, том 13, Номер статьи: 6078 (2023) Цитировать эту статью

3425 Доступов

1 Альтметрика

Подробности о метриках

Для предотвращения и лечения заболеваний чайного листа необходима надежная и точная система диагностики и идентификации. Заболевания чайных листьев выявляются вручную, что увеличивает время и влияет на качество и продуктивность урожая. Целью этого исследования является представление основанного на искусственном интеллекте решения проблемы обнаружения болезней чайного листа путем обучения самой быстрой одноэтапной модели обнаружения объектов YOLOv7 на наборе данных о больных чайных листьях, собранных в четырех известных чайных садах Бангладеш. На этих чайных плантациях собрано 4000 цифровых изображений пяти типов заболеваний листьев, в результате чего создается аннотированный вручную набор данных изображений заболеваний листьев. В этом исследовании используются подходы к дополнению данных для решения проблемы недостаточного размера выборки. Результаты обнаружения и идентификации для подхода YOLOv7 подтверждены такими важными статистическими показателями, как точность обнаружения, прецизионность, отзыв, значение mAP и показатель F1, что привело к 97,3%, 96,7%, 96,4%, 98,2% и 0,965 соответственно. . Экспериментальные результаты показывают, что YOLOv7 в отношении болезней чайного листа на изображениях естественных сцен превосходит существующие сети обнаружения и идентификации целей, включая CNN, Deep CNN, DNN, AX-Retina Net, улучшенный DCNN, YOLOv5 и многокритериальную сегментацию изображений. Таким образом, ожидается, что это исследование сведет к минимуму рабочую нагрузку энтомологов и поможет в быстрой идентификации и обнаружении болезней чайного листа, тем самым сводя к минимуму экономические потери.

Чай является одним из самых популярных функциональных напитков в мире благодаря своему приятному аромату, изысканному вкусу и биологическим преимуществам. Он содержит несколько активных фитокомпонентов, которые приносят значительную пользу для здоровья человека. Самый интригующий факт заключается в том, что он стал самым потребляемым напитком (после воды)1. Чай играет важную роль в сближении семей и друзей по всему миру2. Ожидается, что к 2025 году мировое потребление чая достигнет 7,4 млн тонн по сравнению с примерно 7,3 млн тонн в 2020 году3.

В ближайшие дни спрос на чайную продукцию увеличится. Напротив, производство чая снижается из-за погодных условий и изменения климата. Помимо этих глобальных явлений, на производство и качество чая сильно влияют различные болезни и вредители. Болезни часто поражают чайные растения во время их развития и роста. Во всем мире выявлено более ста распространенных заболеваний, повреждающих чайные листья4. Чай является одной из лучших агропромышленных и экспортно-ориентированных культур Бангладеш. Его регулярно потребляет большинство жителей страны, а его вкус пользуется популярностью как в стране происхождения, так и за ее пределами5. В Бангладеш имеется 162 чайных сада, разделенных на два основных региона выращивания чая: Силхет на северо-востоке и Читтагонг на юге5. Огромное производство чая в Бангладеш, несомненно, помогло ее ВВП и позиционирует ее как ведущего мирового экспортера чая.

Ранняя и точная диагностика болезней и вредителей растений существенно предотвращает потери сельскохозяйственного производства. Если болезни чайного листа точно и быстро выявить, их можно предотвратить и лечить более эффективно6. В последнее время диагностику болезней чайного листа проводят вручную. Поскольку большая часть чайных растений растет в труднопроходимой холмистой местности, посещение чайных садов для диагностики требует много времени и средств для профессионалов. Когда фермеры полагаются на свой личный опыт, чтобы различать различные формы болезней чая, результаты весьма субъективны7. Точность таких прогнозов невысока, а выявление больных листьев требует существенной работы. Таким образом, система должна обеспечивать более точную и надежную диагностику заболеваний6.

С развитием компьютерных технологий машинное обучение и обработка изображений могут автоматически обнаруживать и идентифицировать болезни растений, играя значительную роль в автоматической диагностике болезней растений8,9. Исследователи применили обработку изображений и машинное обучение для выявления и классификации болезней растений. Кастелао Тетила и др. применили шесть традиционных подходов машинного обучения для обнаружения зараженных листьев сои, захваченных беспилотным летательным аппаратом (БПЛА) с разных высот. Влияние особенностей цвета и текстуры было подтверждено на основе уровня распознавания10. Маният и др.11 предложили архитектуру классификации, основанную на машинном обучении, для обнаружения болезней растений. В другом недавнем исследовании Ферентинос12 использовал простые изображения листьев здоровых и зараженных растений и построил модели сверточных нейронных сетей для идентификации и диагностики болезней растений с использованием глубокого обучения. Фуэнтес и др.13 использовали «метаархитектуру глубокого обучения» для выявления болезней и вредителей на растениях томата, используя камеру для захвата изображений с различным разрешением. В результате плодотворных исследований эти подходы позволили выявить девять различных типов болезней и вредителей томатов. Тивари и др.14 представили стратегию плотной сверточной нейронной сети для обнаружения и классификации болезней растений по изображениям листьев, полученным с различным разрешением. Эта глубокая нейронная сеть учитывала множество межклассовых и внутриклассовых различий в изображениях в сложных обстоятельствах. В нескольких дополнительных исследованиях использовались методы глубокого обучения и обработки изображений для выявления болезней чайного листа. Хоссейн и др.15 открыли метод обработки изображений, позволяющий анализировать 11 признаков болезней чайного листа, и использовали машинный классификатор опорных векторов для идентификации и классификации двух наиболее распространенных заболеваний чайного листа, а именно бурой гнили и болезней листьев, вызванных водорослями. Сан и др.16 улучшили извлечение карт значимости болезней чайного листа из сложных условий, объединив простой линейный итеративный кластер (SLIC) и машину опорных векторов (SVM). Ху и др.17 разработали модель для анализа тяжести поражения чайных листьев на фотографиях природных сцен. Индекс исходной тяжести заболевания (IDS) рассчитывали путем сегментации мест пятен болезни на изображениях листьев, пораженных фитофторозом чайного листа, с использованием классификатора SVM. Кроме того, различные исследователи использовали известные архитектуры, такие как AlexNet18, VGGNet19, GoogLeNet20, InceptionV321, ResNet22 ​​и DenseNet23, для идентификации болезней растений.