Identifying healthy and diseased areas of plant leaves using neural networks

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

This paper presents a study aimed at developing a neural network method for detecting healthy and diseased areas of plant leaves based on their images and calculating the ratio of their areas. The basic network of the FPN architecture with an encoder in the form of the ResNet-34 architecture was used as a neural network model. To train the ANN, binary masks of target areas of plant leaves were used as labels; they were obtained programmatically without manual marking. Due to this, it was possible to achieve a reasonable compromise between the resources required to create masks and their accuracy. When training the neural network model, the accuracy of 96.5% and 78.9% was achieved according to the F1 metric for determining healthy and diseased areas, respectively. Next, the model was inferred, as a result of which the "health" index was calculated for each of the studied leaf images. In the context of the problems being solved, the "health" index is the difference between the percentages of healthy and diseased areas, which can be used to assess the severity of the disease, as well as to monitor the dynamics of the disease as an indicator of the effectiveness of the drugs or care methods used. The scientific novelty of the presented study lies in the creation of a method for automatically determining the ratio of healthy and diseased leaf areas, which combines modern computer vision technologies, machine learning and practical applicability for agronomy and plant growing.

Авторлар туралы

Alexander Smirnov

Ailamazyan Program Systems Institute of RAS

Email: asmirnov_1991@mail.ru

Igor Tishchenko

Ailamazyan Program Systems Institute of RAS

Email: igor.p.tishchenko@yandex.ru

Әдебиет тізімі

  1. Fenu G., Malloci F. „DiaMOS Plant: A dataset for diagnosis and monitoring plant disease“, Agronomy, 2021, no.11, 2107, 12 pp.
  2. Liu X., Min W., Mei S., Wang L., Jiang S. „Plant disease recognition: A large-scale benchmark dataset and a visual region and loss reweighting approach“, IEEE Transactions on Image Processing, 30 (2021), pp. 2003–2015.
  3. Ahmad A., Saraswat D., El Gamal A. „A survey on using deep learning techniques for plant disease diagnosis and recommendations for development of appropriate tools“, Smart Agricultural Technology, 3 (February 2023), 100083.
  4. Shoaib M., Shah B., EI-Sappagh S., Ali A., Ullah A., Alenezi F., Gechev T., Hussain T., Ali F. „An advanced deep learning models-based plant disease detection: A review of recent research“, Frontiers in Plant Science, 14 (2023), 1158933, 22 pp.
  5. O'Shea K., Nash R. An introduction to convolutional neural networks, 2015, 11 pp.
  6. Schmidt R. Recurrent Neural Networks (RNNs): A gentle introduction and overview, 2019, 16 pp.
  7. Cohen G., Giryes R. Generative adversarial networks, 2022, 28 pp.
  8. Zhuang F., Qi Z., Duan K., Xi D., Zhu Y., Zhu H., Xiong H., He Q. „A comprehensive survey on transfer learning“, Proceedings of the IEEE, 109:1 (2021), pp. 43–76.
  9. Ronneberger O., Fischer P., Brox T. „U-Net: Convolutional networks for biomedical image segmentation“, Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015 (Munich, Germany, October 5–9, 2015), Lecture Notes in Computer Science (LNIP), vol. 9351, Springer, Cham, 2015, ISBN 978-3-319-24573-7, pp. 234–241.
  10. He K., Gkioxari G., Dollar P., Girshick R. „Mask R-CNN“, 2017 IEEE International Conference on Computer Vision (ICCV) (Venice, Italy, October 22–29, 2017), 2017, ISBN 9781538610336, pp. 2980–2988.
  11. Ahmad N., Asif H., Saleem G., Younus M., Anwar S., Anjum M. „Leaf image-based plant disease identification using color and texture features“, Wireless Personal Communications, 121 (2021), pp. 1139–1168.
  12. V. B.Sebastian, Unnikrishnan A., Balakrishnan K. „Grey level co-occurrence matrices: Generalisation and some new features“, International Journal of Computer Science, Engineering and Information Technology, 2:2 (2012), pp. 151–157.
  13. Gajjar R., Gajjar N., Thakor V., Patel N., Ruparelia S. „Real-time detection and identification of plant leaf diseases using convolutional neural networks on an embedded platform“, The Visual Computer, 38:8 (2021), pp. 2923–2938.
  14. Kumari P., Ranjan P., Srivastava P. „Classification and assessment of visual content of medicinal plants using CNN“, Handbook of Research on Innovative Approaches to Information Technology in Library and Information Science, IGI Global, 2024, ISBN 9798369308073, pp. 126–147.
  15. He W., Zhou T., Xiang Y., Lin Y., Hu J., Bao R. Deep learning in image classification: Evaluating VGG19's performance on complex visual data, 2024, 5 pp.
  16. Vishnoi V., Kumar K., Kumar B., Mohan S., Khan A. „Detection of apple plant diseases using leaf images through convolutional neural network“, IEEE Access, 11 (2023), pp. 6594-6609.
  17. Sharma S., Sharma G., Menghani E. „Tomato plant disease detection with pretrained CNNs“, Artificial Intelligence in Medicine and Healthcare, 1st ed., CRC Press, 2025, ISBN 9781003508595, pp. 67–85.
  18. Xu P., Fang N., Liu N., Lin F., Yang S., Ning J. „Visual recognition of cherry tomatoes in plant factory based on improved deep instance segmentation“, Computers and Electronics in Agriculture, 197 (June 2022), 106991.
  19. Tang W., Sun J., Wang S., Zhang Y. „Review of AlexNet for medical image classification“, EAI Endorsed Transactions on e-Learning, 9 (December 2023), 13 pp.
  20. Iandola F., Han S., Moskewicz M., Ashraf K., Dally W., Keutzer K. SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and $<0.5$MB model size, 2016, 13 pp.
  21. Ren S., He K., Girshick R., Sun J. Faster R-CNN: Towards real-time object detection with region proposal networks, 2016, 14 pp.
  22. Yag I., Altan A. „Artificial intelligence-based robust hybrid algorithm design and implementation for real-time detection of plant diseases in agricultural environments“, Biology, 11:12 (2022), 1732, 30 pp.
  23. Yang X. „Flower pollination algorithm for global optimization“, Unconventional Computation and Natural Computation (UCNC 2012) (Orléans, France, September 3–7, 2012), Lecture Notes in Computer Science, vol. 7445, Springer, Berlin–Heidelberg, 2012, ISBN 978-3-642-32893-0, pp. 240–249.
  24. Pal A. „AgriDet: Plant Leaf Disease severity classification using agriculture detection framework“, Engineering Applications of Artificial Intelligence, 119 (March 2023), 105754.
  25. Di Mascio T., Fantozzi P., Laura L., Rughetti V. „Age and gender (face) recognition: A brief survey“, Methodologies and Intelligent Systems for Technology Enhanced Learning, 11th International Conference (MIS4TEL 2021) (Salamanca, Spain, September 6–8, 2021), Lecture Notes in Networks and Systems, vol. 326, Springer, Cham, 2022, ISBN 978-3-030-86617-4, pp. 105–113.
  26. Lin T., Dollar P., Girshick R., He K., Hariharan B., Belongie S. „Feature pyramid networks for object detection“, 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (Honolulu, HI, USA, July 21–26, 2017), 2017, ISBN 9781538604588, pp. 936–944.
  27. He K., Zhang X., Ren S., Sun J. „Deep residual learning for image recognition“, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (Las Vegas, NV, USA, June 27–30, 2016), 2016, ISBN 9781467388528, pp. 770–778.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу


Creative Commons License
Бұл мақала лицензия бойынша қолжетімді Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».