CHẨN ĐOÁN BỆNH LÁ CÀ CHUA DỰA TRÊN HỌC SÂU: HƯỚNG TIẾP CẬN BẰNG MÔ HÌNH YOLOv12 CHO NÔNG NGHIỆP THÔNG MINH

Trần Quang Quý; Hồ Thị Tuyến; Nông Thị Hương; Đặng Thị Kim Anh; Hoàng Việt Dũng

doi:10.34238/tnu-jst.13116

CHẨN ĐOÁN BỆNH LÁ CÀ CHUA DỰA TRÊN HỌC SÂU: HƯỚNG TIẾP CẬN BẰNG MÔ HÌNH YOLOv12 CHO NÔNG NGHIỆP THÔNG MINH

Thông tin bài báo

Ngày nhận bài: 23/06/25 Ngày hoàn thiện: 03/09/25 Ngày đăng: 04/09/25

Các tác giả

1. Trần Quang Quý, Trường Đại học Công nghệ Thông tin và Truyền thông – ĐH Thái Nguyên
2. Hồ Thị Tuyến , Trường Đại học Công nghệ Thông tin và Truyền thông – ĐH Thái Nguyên
3. Nông Thị Hương, Trường Đại học Công nghệ Thông tin và Truyền thông – ĐH Thái Nguyên
4. Đặng Thị Kim Anh, Trường Đại học Công nghệ Giao thông Vận tải
5. Hoàng Việt Dũng, Trường Đại học Lâm nghiệp Việt Nam

Tóm tắt

Bệnh hại trên cây trồng là nguyên nhân chính gây suy giảm năng suất và chất lượng nông sản, đặc biệt trong bối cảnh sản xuất quy mô lớn và biến đổi khí hậu. Việc phát hiện sớm và phân loại chính xác bệnh hại có ý nghĩa quan trọng trong bảo vệ thực vật và đảm bảo an ninh lương thực. Nghiên cứu này ứng dụng mô hình YOLOv12 – kiến trúc mới nhất trong họ YOLO – để tự động nhận diện và phân loại bệnh lá trên cây cà chua thông qua hình ảnh. Bộ dữ liệu Tomato Leaf Disease Dataset được sử dụng, bao gồm các loại bệnh phổ biến như mốc sương, đốm lá và thiếu đạm. Các kỹ thuật tiền xử lý và tăng cường dữ liệu được áp dụng nhằm nâng cao khả năng khái quát hóa của mô hình. Kết quả thực nghiệm cho thấy YOLOv12 đạt độ chính xác trung bình 94,6%, khẳng định tiềm năng ứng dụng học sâu trong phát hiện nhanh và chính xác bệnh hại, góp phần thúc đẩy nông nghiệp chính xác và hệ thống bảo vệ cây trồng thông minh.

Từ khóa

YOLOv12; Học sâu; Thị giác máy tính; Nhận dạng đối tượng; Dữ liệu bệnh lá cây

Toàn văn:

PDF

Tài liệu tham khảo

[1] G. C. Khadabadi, V. S. Rajpurohit, A. Kumar, and V. B. Nargund, “Disease detection in vegetables using image processing techniques: A review,” Int. J. Emerg. Technol. Comput. Sci. Electron., vol. 14, no. 2, pp. 954–960, 2015.

[2] 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.

[3] V. H. Bui, T. T. Nguyen, A. T. Pham, and T. M. Hoang, “An Efficient Plant Disease Recognition System for Smart Agriculture Applications," (in Vietnamese), Journal of Science and Technology – Hanoi University of Industry, vol. 60, no. 6, Jun. 2024, doi: 10.57001/huih5804.2024.206.

[4] T. P. T. Truong and T. N. Nguyen, “Rice Leaf Disease Detection Using Transfer Learning," (in Vietnamese), Journal of Science, Can Tho University, vol. 58, no. 4, pp. 1–7, Aug. 2022, doi: 10.22144/ctu.jvn.2022.157.

[5] Q. U. Ngo, T. D. Ngo, and D. T. Bui, “Classification of Powdery Mildew and Downy Mildew on Cucumber by Combining ResNet Model, (In Vietnamese)” The University of Danang-Journal of Science and Technology, vol. 20, no. 5, pp. 62–66, 2022.

[6] J. P. S. Schuler, S. Romani, M. Abdel-Nasser, H. Rashwan, and D. Puig, “Color-Aware Two-Branch DCNN for Efficient Plant Disease Classification,” MENDEL, vol. 28, no. 1, Jun. 2022, doi: 10.13164/mendel.2022.1.055.

[7] Y. Toda and F. Okura, “How Convolutional Neural Networks Diagnose Plant Disease,” Plant Phenomics, vol. 2019, 2019, Art. no. 9237136, doi: 10.34133/2019/9237136.

[8] J. Wang et al., “BerryNet-Lite: A Lightweight Convolutional Neural Network for Strawberry Disease Identification,” Agriculture, vol. 14, no. 5, May 2024, doi: 10.3390/agriculture14050665.

[9] T. Shaik and S. I. Swamykan, “Identification of Diseases Affecting Mango Leaves Using Deep Learning Models,” in Artificial Intelligence: Towards Sustainable Intelligence, S. Tiwari, F. Ortiz-Rodríguez, S. Mishra, E. Vakaj, and K. Kotecha, Eds., Cham: Springer Nature Switzerland, 2023, pp. 132–144, doi: 10.1007/978-3-031-47997-7_10.

[10] Z. Meng, X. Du, R. Sapkota, Z. Ma, and H. Cheng, “YOLOv10-pose and YOLOv9-pose: Real-time strawberry stalk pose detection models,” Comput. Ind., vol. 165, 2025, Art. no. 104231.

[11] H. Patel, A. Kumar, K. Sharma, R. Singh, "A Lightweight CNN Model for Tomato Leaf Disease Detection in Smart Agriculture," Information, vol. 16, no. 3, p. 231, 2025.

[12] R. Khanam and M. Hussain, “A Review of YOLOv12: Attention-Based Enhancements vs. Previous Versions,” arXiv: arXiv:2504.11995, Apr. 16, 2025, doi: 10.48550/arXiv.2504.11995.

[13] N. Jegham, C. Y. Koh, M. Abdelatti, and A. Hendawi, “Yolo evolution: A comprehensive benchmark and architectural review of yolov12, yolo11, and their previous versions,” Yolo11 Their Previous Versions, 2024, [Online]. Available: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5175639. [Accessed Jun. 23, 2025].

[14] Y. Tian, Q. Ye, and D. Doermann, “YOLOv12: Attention-Centric Real-Time Object Detectors,” arXiv: arXiv:2502.12524, Feb. 18, 2025, doi: 10.48550/arXiv.2502.12524.

[15] C. Wang, B. Zhang, Y. Liu, et al., "YOLOv8: Next-Generation Real-Time Object Detection," arXiv preprint, arXiv:2305.01234, 2023.

[16] M. Tan, R. Pang, and Q. Le, "EfficientDet: Scalable and Efficient Object Detection," in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), 2020, pp. 10781–10790.

[17] S. Ren, K. He, R. Girshick, and J. Sun, "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks," IEEE Trans. Pattern Anal. Mach. Intell., vol. 39, no. 6, pp. 1137–1149, 2017.

[18] W. Liu, D. Anguelov, D. Erhan, et al., "SSD: Single Shot MultiBox Detector," in Proc. Eur. Conf. Comput. Vis. (ECCV), 2016, pp. 21–37.

[19] T.-Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollár, "Focal Loss for Dense Object Detection," in Proc. IEEE Int. Conf. Comput. Vis. (ICCV), 2017, pp. 2980–2988.

DOI: https://doi.org/10.34238/tnu-jst.13116

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ