Development of a Soybean Disease Detection Model Using ML.NET: Performance Analysis

• Vinicius Tessele Faculdade Biopark
• Marcos Bento de Oliveira Junior Faculdade Biopark

DOI: https://doi.org/10.5753/latinoware.2024.245599

Abstract

This study evaluates the application of ML.NET for detecting diseases in soybeans (Glycine max), a crop of significant economic importance, particularly in Brazil where agribusiness accounts for about 30% of GDP. Early identification of diseases is crucial for minimizing financial losses and ensuring global food security. The UN emphasized this importance by designating 2020 as the International Year of Plant Health, estimating that pests and diseases could reduce harvests by up to 40% annually. ML.NET, a machine learning library developed by Microsoft, facilitates the creation of custom models using C# and is compatible with various platforms, including web, mobile, and desktop. In this study, the library will be used to train a model for detecting soybean diseases through the ImageClassification API. The aim is to assess ML.NET’s performance in classifying images of soybean leaves affected by diseases, using an external dataset not used in training and validation. The results will be compared with other disease detection methods to validate ML.NET’s effectiveness. The choice of ML.NET is justified by its accessibility and ease of integration with different platforms, enabling the development of specialized applications. Implementing an efficient disease detection model for soybeans can reduce losses and contribute to the sustainability of agribusiness, ensuring greater global food security.

Keywords: Machine Learning, AI, Precision Agriculture

References

CEPEA – Centro de estudos avançados em economia aplicada. PIB do agronegócio 2021. Disponível em: [link]. Acesso em: 10 jun. 2024.

FAO. International Year of Plant Health 2020 | FAO | Food and Agriculture Organization of the United Nations. Disponível em: [link]. Acesso em: 10 jun. 2024.

RODRIGUES, Pedro Asseiro. Classificação de doenças nas plantas utilizando Transfer Learning numa aplicação móvel. 2020. 75 f. Dissertação (Mestrado) - Curso de Sistemas de Informação, Escola Superior de Tecnologia e de Gestão de Bragança, Instituto Politécnico de Bragança, Bragança, 2020. Disponível em: [link]. Acesso em: 10 jun. 2024.

CARRASCOSA, Alexandre de Freitas. Aplicação de métodos de processamento de imagem e redes neurais na extração de características de doenças em plantas. 2021. 69 f. TCC (Graduação) - Curso de Engenharia Agrícola e Ambiental, Instituto de Ciências Agrárias e Tecnológicas, Universidade Federal de Rondonópolis, Rondonópolis, Mt, 2021. Disponível em: [link]. Acesso em: 10 jun. 2024.

ROSA, Matheus Cassali da. Redes neurais convolutivas aplicadas à detecção de ervas daninhas. 2019. 78 f. Dissertação (Mestrado) - Curso de Engenharia Elétrica, Programa de Pós-Graduação, Universidade Federal do Rio Grande do Sul, Porto Alegre, 2019. Disponível em: [link] Acesso em: 10 jun. 2024.

NEUMANN, Bruno Germano. Identificação de doenças na soja utilizando inteligência artificial por meio de análise de imagens. 2019. 114 f. TCC (Graduação) - Curso de Sistemas de Informação, Centro de Ciências Exatas e Tecnológicas, Universidade do Vale do Taquari, Lajeado, 2019. Disponível em: [link]. Acesso em: 29 jun. 2024.

MALLIA, S. Soybean Diseased Leaf Dataset. Kaggle. Disponível em: [link]. Acesso em: 29 jun. 2024.

HENNING, Ademir Assis; EMBRAPA SOJA. Manual de identificação de doenças de soja. 5. ed. Londrina: Embrapa Soja, 2014. 76 p.: il. color. (Documentos / Embrapa Soja, ISSN 1516-781X; n. 256). Disponível em: [link]. Acesso em: 29 jun. 2024.