Comparing the Performance of Two Convolutional Neural Networks for Tomato Leaf Disease Classification
Resumo
A classificação de doenças em folhas de tomate, em particular, é um desafio para os agricultores porque é difícil identificar visualmente as diferenças sutis entre os sintomas de diferentes doenças. Buscando resolver esse problema, este estudo apresenta uma análise comparativa do desempenho das redes neurais Inception e DenseNet no processo de classificação de doenças em folhas de tomate utilizando técnicas de Transfer Learning e Data Augmentation. Através da análise experimental, a rede DenseNet possui o melhor comportamento de classificação, conseguindo classificar doenças com 98,25% de precisão, 95,33% de precisão, 94,09% de recall e AUC de 98,72%.
Palavras-chave:
Tomato, Foliar Disease, Classification, Deep Learning
Referências
Agarwal, M., Singh, A., Arjaria, S., Sinha, A., e Gupta, S. (2020). ToLeD: detecção de doenças em folhas de tomate usando redes neurais convolucionais. Procedia Computer Science, 167:293–301.
Bhattacharjee, D., Mandal, S., e Basak, J. (2019). Detecção e classificação de doenças de plantas de arroz usando redes neurais convolucionais profundas. Computers and Electronics in Agriculture, 163:104853.
Buslaev, A., Iglovikov, V. I., Khvedchenya, E., Parinov, A., Druzhinin, M., e Kalinin, A. A. (2020). Albumentations: aumentos de imagem rápidos e flexíveis. Information, 11(2):125.
Chollet, F. (2015). Keras: Biblioteca de aprendizado profundo para Theano e TensorFlow. Em Proceedings of the 28th International Conference on Neural Information Processing Systems, páginas 478–486.
Fuentes, A. e Yoon, S. (2018). Aprendizado profundo para reconhecimento de doenças de plantas usando MobileNet V2. Sensors, 18(12):4289.
Gavrikov, P. (2020). visualkeras. https://github.com/paulgavrikov/visualkeras.
Hong, H., Lin, J., e Huang, F. (2020). Detecção e classificação de doenças de tomate por meio de aprendizado profundo. Em 2020 International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering (ICBAIE), páginas 25–29. IEEE.
Huang, G., Liu, Z., Weinberger, K. Q., e van der Maaten, L. (2017). Redes convolucionais densamente conectadas. Proceedings of the IEEE conference on computer vision and pattern recognition, páginas 4700–4708.
Huang, M.-L. e Chang, Y.-H. (2020). Conjunto de dados de folhas de tomate.
Hunter, J. D. (2007). Matplotlib: um ambiente gráfico 2D. Computing in Science & Engineering, 9(3):90–95.
Mohanty, S. P., Hughes, D. P., e Salathé, M. (2016). Utilização de aprendizado profundo para detecção de doenças de plantas baseada em imagens. Frontiers in Plant Science, 7:1419.
Pan, S. J. e Yang, Q. (2010). Uma pesquisa sobre transferência de aprendizado. IEEE Transactions on Knowledge and Data Engineering, 22(10):1345–1359.
Shorten, C. e Khoshgoftaar, T. M. (2019). Uma pesquisa sobre aumento de dados de imagem para aprendizado profundo. Journal of Big Data, 6(1):60.
Sladojevic, S., Arsenovic, M., Anderla, A., Culibrk, D., e Stefanovic, D. (2016). Reconhecimento de doenças de plantas baseado em redes neurais profundas pela classificação de imagens de folhas. Em 2016 14th International Conference on Precision Agriculture, páginas 197–204. IEEE.
Szegedy, C., Ioffe, S., Vanhoucke, V., e Alemi, A. (2016). Rethinking the inception architecture for computer vision. Proceedings of the IEEE conference on computer vision and pattern recognition, páginas 2818–2826.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., e Rabinovich, A. (2015). Indo mais fundo com convoluções. Proceedings of the IEEE conference on computer vision and pattern recognition.
Wang, X., Peng, Y., Lu, L., Lu, Z., Bagheri, M., e Summers, R. M. (2018). ChestNet: uma rede neural profunda para classificação de doenças torácicas em radiografia de tórax. arXiv preprint arXiv:1807.03133.
Xie, S., Girshick, R., Dollár, P., Tu, Z., e He, K. (2017). Transformações residuais agregadas para redes neurais profundas. Em Proceedings of the IEEE conference on computer vision and pattern recognition, páginas 1492–1500.
Yosinski, J., Clune, J., Bengio, Y., e Lipson, H. (2014). Quão transferíveis são as características em redes neurais profundas? Em Advances in Neural Information Processing Systems, páginas 3320–3328.
Zaki, S. Z. M., Zulkifley, M. A., Stofa, M. M., Kamari, N. A. M., e Mohamed, N. A. (2020). Classificação de doenças em folhas de tomate usando MobileNet V2. IAES International Journal of Artificial Intelligence, 9(2):290.
Bhattacharjee, D., Mandal, S., e Basak, J. (2019). Detecção e classificação de doenças de plantas de arroz usando redes neurais convolucionais profundas. Computers and Electronics in Agriculture, 163:104853.
Buslaev, A., Iglovikov, V. I., Khvedchenya, E., Parinov, A., Druzhinin, M., e Kalinin, A. A. (2020). Albumentations: aumentos de imagem rápidos e flexíveis. Information, 11(2):125.
Chollet, F. (2015). Keras: Biblioteca de aprendizado profundo para Theano e TensorFlow. Em Proceedings of the 28th International Conference on Neural Information Processing Systems, páginas 478–486.
Fuentes, A. e Yoon, S. (2018). Aprendizado profundo para reconhecimento de doenças de plantas usando MobileNet V2. Sensors, 18(12):4289.
Gavrikov, P. (2020). visualkeras. https://github.com/paulgavrikov/visualkeras.
Hong, H., Lin, J., e Huang, F. (2020). Detecção e classificação de doenças de tomate por meio de aprendizado profundo. Em 2020 International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering (ICBAIE), páginas 25–29. IEEE.
Huang, G., Liu, Z., Weinberger, K. Q., e van der Maaten, L. (2017). Redes convolucionais densamente conectadas. Proceedings of the IEEE conference on computer vision and pattern recognition, páginas 4700–4708.
Huang, M.-L. e Chang, Y.-H. (2020). Conjunto de dados de folhas de tomate.
Hunter, J. D. (2007). Matplotlib: um ambiente gráfico 2D. Computing in Science & Engineering, 9(3):90–95.
Mohanty, S. P., Hughes, D. P., e Salathé, M. (2016). Utilização de aprendizado profundo para detecção de doenças de plantas baseada em imagens. Frontiers in Plant Science, 7:1419.
Pan, S. J. e Yang, Q. (2010). Uma pesquisa sobre transferência de aprendizado. IEEE Transactions on Knowledge and Data Engineering, 22(10):1345–1359.
Shorten, C. e Khoshgoftaar, T. M. (2019). Uma pesquisa sobre aumento de dados de imagem para aprendizado profundo. Journal of Big Data, 6(1):60.
Sladojevic, S., Arsenovic, M., Anderla, A., Culibrk, D., e Stefanovic, D. (2016). Reconhecimento de doenças de plantas baseado em redes neurais profundas pela classificação de imagens de folhas. Em 2016 14th International Conference on Precision Agriculture, páginas 197–204. IEEE.
Szegedy, C., Ioffe, S., Vanhoucke, V., e Alemi, A. (2016). Rethinking the inception architecture for computer vision. Proceedings of the IEEE conference on computer vision and pattern recognition, páginas 2818–2826.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., e Rabinovich, A. (2015). Indo mais fundo com convoluções. Proceedings of the IEEE conference on computer vision and pattern recognition.
Wang, X., Peng, Y., Lu, L., Lu, Z., Bagheri, M., e Summers, R. M. (2018). ChestNet: uma rede neural profunda para classificação de doenças torácicas em radiografia de tórax. arXiv preprint arXiv:1807.03133.
Xie, S., Girshick, R., Dollár, P., Tu, Z., e He, K. (2017). Transformações residuais agregadas para redes neurais profundas. Em Proceedings of the IEEE conference on computer vision and pattern recognition, páginas 1492–1500.
Yosinski, J., Clune, J., Bengio, Y., e Lipson, H. (2014). Quão transferíveis são as características em redes neurais profundas? Em Advances in Neural Information Processing Systems, páginas 3320–3328.
Zaki, S. Z. M., Zulkifley, M. A., Stofa, M. M., Kamari, N. A. M., e Mohamed, N. A. (2020). Classificação de doenças em folhas de tomate usando MobileNet V2. IAES International Journal of Artificial Intelligence, 9(2):290.
Publicado
19/10/2023
Como Citar
SOUSA, Roney Nogueira de; SOUSA, Ronieri Nogueira de.
Comparing the Performance of Two Convolutional Neural Networks for Tomato Leaf Disease Classification. In: ENCONTRO UNIFICADO DE COMPUTAÇÃO DO PIAUÍ (ENUCOMPI), 16. , 2023, Piripiri/PI.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 9-16.
DOI: https://doi.org/10.5753/enucompi.2023.26611.
