PHÂN LOẠI BỆNH TRÊN CÂY CÀ CHUA DỰA TRÊN HÌNH ẢNH LÁ  SỬ DỤNG MẠNG MOBILENET V2

Nguyễn Thị Thanh Nhàn

doi:10.34238/tnu-jst.12722

PHÂN LOẠI BỆNH TRÊN CÂY CÀ CHUA DỰA TRÊN HÌNH ẢNH LÁ SỬ DỤNG MẠNG MOBILENET V2

Thông tin bài báo

Ngày nhận bài: 05/05/25 Ngày hoàn thiện: 26/06/25 Ngày đăng: 28/06/25

Các tác giả

Nguyễn Thị Thanh Nhàn , Trường Đại học Công nghệ thông tin và Truyền thông - ĐH Thái Nguyên

Tóm tắt

Cây cà chua là một trong những loại cây rau quả có giá trị kinh tế cao và được tiêu thụ rộng rãi trên toàn thế giới. Cây cà chua thường xuyên bị tấn công bởi nhiều loại mầm bệnh khác nhau dẫn đến giảm năng suất và chất lượng trái. Do vậy, việc phát hiện sớm các triệu chứng bệnh trên lá cây trong giai đoạn đầu sẽ giúp nông dân kịp thời áp dụng biện pháp phòng trừ, hạn chế lây lan và giảm thiểu tổn thất nông sản. Bài báo này đề xuất ứng dụng kiến trúc học sâu nhẹ, MobileNet V2, để phân loại bệnh lá cà chua. Mô hình được huấn luyện sử dụng kỹ thuật học chuyển giao, với một số cấu hình siêu tham số, chiến lược phân chia dữ liệu và kỹ thuật cân bằng dữ liệu. Chương trình được thiết kế để phân loại mười lớp: chín lớp tương ứng với các bệnh lá cà chua khác nhau và một lớp đại diện cho cây khỏe mạnh, sử dụng hình ảnh từ tập dữ liệu PlantVillage. Kết quả cho thấy MobileNet V2 có thể phân loại bệnh với độ chính xác tốt nhất đạt 95,73%, mở ra hướng triển khai hệ thống giám sát bệnh cây cà chua tự động trên các thiết bị di động với tốc độ suy diễn nhanh và chi phí tính toán thấp.

Từ khóa

MobileNet V2; Mạng nơ ron tích chập; Bệnh cây cà chua; Tinh chỉnh mạng; Nhận dạng bệnh cây

Toàn văn:

PDF

Tài liệu tham khảo

[1] S. Z. M. Zaki, M. A. Zulkifley, M. M. Stofa, N. A. M. Kamari, and N. A. Mohamed, “Classification of tomato leaf diseases using MobileNet v2,” IJ-AI, vol. 9, no. 2, pp. 290-296, Jun. 2020, doi: 10.11591/ijai.v9.i2.pp290-296.

[2] J. Yao, S. N. Tran, S. Garg, and S. Sawyer, “Deep Learning for Plant Identification and Disease Classification from Leaf Images: Multi-prediction Approaches,” arXiv: arXiv:2310.16273, Oct. 25, 2023, doi: 10.48550/arXiv.2310.16273.

[3] L. Li, S. Zhang, and B. Wang, “Plant Disease Detection and Classification by Deep Learning—A Review,” IEEE Access, vol. 9, pp. 56683–56698, 2021, doi: 10.1109/ACCESS.2021.3069646.

[4] C. Szegedy et al., “Going deeper with convolutions,” in 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, USA: IEEE, Jun. 2015, pp. 1–9, doi: 10.1109/CVPR.2015.7298594.

[5] K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” in 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA: IEEE, Jun. 2016, pp. 770–778, doi: 10.1109/CVPR.2016.90.

[6] A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet classification with deep convolutional neural networks,” Commun. ACM, vol. 60, no. 6, pp. 84–90, May 2017, doi: 10.1145/3065386.

[7] A. Batool, S. B. Hyder, A. Rahim, N. Waheed, M. A. Asghar, and Fawad, “Classification and Identification of Tomato Leaf Disease Using Deep Neural Network,” in 2020 International Conference on Engineering and Emerging Technologies (ICEET), Lahore, Pakistan: IEEE, Feb. 2020, pp. 1–6, doi: 10.1109/ICEET48479.2020.9048207.

[8] M. Agarwal, A. Singh, S. Arjaria, A. Sinha, and S. Gupta, “ToLeD: Tomato Leaf Disease Detection using Convolution Neural Network,” Procedia Computer Science, vol. 167, pp. 293–301, 2020, doi: 10.1016/j.procs.2020.03.225.

[9] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” in 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT: IEEE, Jun. 2018, pp. 4510–4520, doi: 10.1109/CVPR.2018.00474.

[10] A. G. Howard et al., “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” arXiv: arXiv:1704.04861, Apr. 17, 2017, doi: 10.48550/arXiv.1704.04861.

[11] S. P. Mohanty, D. P. Hughes, and M. Salathé, “Using Deep Learning for Image-Based Plant Disease Detection,” Front. Plant Sci., vol. 7, pp.1-10, Sep. 2016, doi: 10.3389/fpls.2016.01419.

DOI: https://doi.org/10.34238/tnu-jst.12722

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ