Performance Analysis of Deep Transfer Learning Models for the Automated Detection of Cotton Plant Diseases
- 1. Mehran University of Engineering and Technology
Description
Cotton is one of the most important agricultural products and is closely linked to the economic development of Pakistan. However, the cotton plant is susceptible to bacterial and viral diseases that can quickly spread and damage plants and ultimately affect the cotton yield. The automated and early detection of affected plants can significantly reduce the potential spread of the disease. This paper presents the implementation and performance analysis of bacterial blight and curl virus disease detection in cotton crops through deep learning techniques. The automated disease detection is performed through transfer learning of six pre-trained deep learning models, namely DenseNet121, DenseNet169, MobileNetV2, ResNet50V2, VGG16, and VGG19. A total of 1362 images of local agricultural fields and 1292 images from online resources were used to train and validate the models. Image augmentation techniques were performed to increase the dataset diversity and size. Transfer learning was implemented for different image resolutions ranging from 32×32 to 256×256 pixels. Performance metrics such as accuracy, precision, recall, F1 Score, and prediction time were evaluated for each implemented model. The results indicate higher accuracy, up to 96%, for DenseNet169 and ResNet50V2 models when trained on the 256×256 pixels image dataset. The lowest accuracy, 52%, was obtained by the MobileNetV2 model when trained on low-resolution, 32×32, images. The confusion matrix analysis indicates the true-positive prediction rates higher than 91% for fresh leaves, 87% for bacterial blight, and 76% for curl virus detection for all implemented models when trained and tested on an image dataset of 128×128 pixels or higher resolution.
Translated Descriptions
Translated Description (Arabic)
القطن هو أحد أهم المنتجات الزراعية ويرتبط ارتباطًا وثيقًا بالتنمية الاقتصادية لباكستان. ومع ذلك، فإن نبات القطن عرضة للأمراض البكتيرية والفيروسية التي يمكن أن تنتشر بسرعة وتتلف النباتات وتؤثر في نهاية المطاف على محصول القطن. يمكن أن يقلل الاكتشاف الآلي والمبكر للنباتات المصابة بشكل كبير من الانتشار المحتمل للمرض. تعرض هذه الورقة تنفيذ وتحليل أداء الكشف عن الآفة البكتيرية وفيروس الضفيرة في محاصيل القطن من خلال تقنيات التعلم العميق. يتم إجراء الكشف الآلي عن المرض من خلال تعلم النقل لستة نماذج تعلم عميق مدربة مسبقًا، وهي DenseNet121 و DenseNet169 و MobileNetV2 و ResNet50V2 و VGG16 و VGG19. تم استخدام ما مجموعه 1362 صورة لحقول زراعية محلية و 1292 صورة من موارد عبر الإنترنت لتدريب النماذج والتحقق من صحتها. تم إجراء تقنيات زيادة الصورة لزيادة تنوع مجموعة البيانات وحجمها. تم تنفيذ تعلم النقل لدرجات دقة صور مختلفة تتراوح من 32×32 إلى 256×256 بكسل. تم تقييم مقاييس الأداء مثل الدقة والتذكر ودرجة F1 ووقت التنبؤ لكل نموذج تم تنفيذه. تشير النتائج إلى دقة أعلى، تصل إلى 96 ٪، لنماذج DenseNet169 و ResNet50V2 عند التدريب على مجموعة بيانات الصور 256×256 بكسل. تم الحصول على أدنى دقة، 52 ٪، من خلال نموذج MobileNetV2 عند التدريب على صور منخفضة الدقة، 32×32. يشير تحليل مصفوفة الارتباك إلى أن معدلات التنبؤ الإيجابية الحقيقية أعلى من 91 ٪ للأوراق الطازجة، و 87 ٪ للآفة البكتيرية، و 76 ٪ للكشف عن فيروس التجعيد لجميع النماذج المنفذة عند التدريب والاختبار على مجموعة بيانات صورة 128×128 بكسل أو دقة أعلى.Translated Description (French)
Le coton est l'un des produits agricoles les plus importants et est étroitement lié au développement économique du Pakistan. Cependant, la plante de coton est sensible aux maladies bactériennes et virales qui peuvent se propager rapidement et endommager les plantes et finalement affecter le rendement du coton. La détection automatisée et précoce des plantes touchées peut réduire considérablement la propagation potentielle de la maladie. Cet article présente la mise en œuvre et l'analyse des performances de la détection de la maladie bactérienne du mildiou et du virus du curl dans les cultures de coton grâce à des techniques d'apprentissage en profondeur. La détection automatisée des maladies est effectuée par l'apprentissage par transfert de six modèles d'apprentissage profond pré-entraînés, à savoir DenseNet121, DenseNet169, MobileNetV2, ResNet50V2, VGG16 et VGG19. Au total, 1362 images de champs agricoles locaux et 1292 images de ressources en ligne ont été utilisées pour former et valider les modèles. Des techniques d'augmentation d'image ont été réalisées pour augmenter la diversité et la taille de l'ensemble de données. L'apprentissage par transfert a été mis en œuvre pour différentes résolutions d'image allant de 32×32 à 256×256 pixels. Des mesures de performance telles que l'exactitude, la précision, le rappel, le score F1 et le temps de prédiction ont été évaluées pour chaque modèle mis en œuvre. Les résultats indiquent une plus grande précision, jusqu'à 96 %, pour les modèles DenseNet169 et ResNet50V2 lorsqu'ils sont formés sur l'ensemble de données d'image 256×256 pixels. La précision la plus faible, 52 %, a été obtenue par le modèle MobileNetV2 lorsqu'il a été formé sur des images à basse résolution, 32×32. L'analyse de la matrice de confusion indique des taux de prédiction vrais-positifs supérieurs à 91 % pour les feuilles fraîches, 87 % pour le mildiou bactérien et 76 % pour la détection du virus du curl pour tous les modèles mis en œuvre lorsqu'ils sont formés et testés sur un ensemble de données d'image de 128×128 pixels ou plus.Translated Description (Spanish)
El algodón es uno de los productos agrícolas más importantes y está estrechamente vinculado al desarrollo económico de Pakistán. Sin embargo, la planta de algodón es susceptible a enfermedades bacterianas y virales que pueden propagarse rápidamente y dañar las plantas y, en última instancia, afectar el rendimiento del algodón. La detección automatizada y temprana de las plantas afectadas puede reducir significativamente la posible propagación de la enfermedad. Este documento presenta la implementación y el análisis de rendimiento de la detección de enfermedades bacterianas por tizón y virus del rizo en cultivos de algodón a través de técnicas de aprendizaje profundo. La detección automatizada de enfermedades se realiza a través del aprendizaje por transferencia de seis modelos de aprendizaje profundo preentrenados, a saber, DenseNet121, DenseNet169, MobileNetV2, ResNet50V2, VGG16 y VGG19. Se utilizaron un total de 1362 imágenes de campos agrícolas locales y 1292 imágenes de recursos en línea para capacitar y validar los modelos. Se realizaron técnicas de aumento de imágenes para aumentar la diversidad y el tamaño del conjunto de datos. El aprendizaje por transferencia se implementó para diferentes resoluciones de imagen que van desde 32×32 hasta 256×256 píxeles. Se evaluaron las métricas de rendimiento, como la precisión, la precisión, la recuperación, la puntuación F1 y el tiempo de predicción para cada modelo implementado. Los resultados indican una mayor precisión, hasta un 96%, para los modelos DenseNet169 y ResNet50V2 cuando se entrenan en el conjunto de datos de imágenes de 256×256 píxeles. La precisión más baja, 52%, fue obtenida por el modelo MobileNetV2 cuando se entrenó en imágenes de baja resolución, 32×32. El análisis de la matriz de confusión indica tasas de predicción de verdaderos positivos superiores al 91% para hojas frescas, 87% para tizón bacteriano y 76% para detección de virus de rizo para todos los modelos implementados cuando se entrenan y prueban en un conjunto de datos de imágenes de 128×128 píxeles o mayor resolución.Files
3232.pdf
Files
(894.7 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:3ee5e6a7ea21117c17f2c617288f1e21
|
894.7 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تحليل أداء نماذج تعلم النقل العميق للكشف الآلي عن أمراض نبات القطن
- Translated title (French)
- Analyse des performances des modèles d'apprentissage par transfert profond pour la détection automatisée des maladies des plants de coton
- Translated title (Spanish)
- Análisis de Rendimiento de Modelos de Aprendizaje por Transferencia Profunda para la Detección Automatizada de Enfermedades de Plantas de Algodón
Identifiers
- Other
- https://openalex.org/W4387640879
- DOI
- 10.48084/etasr.6187
References
- https://openalex.org/W2293491734
- https://openalex.org/W2473156356
- https://openalex.org/W2564288310
- https://openalex.org/W2731165298
- https://openalex.org/W2794026873
- https://openalex.org/W2884416373
- https://openalex.org/W2900542319
- https://openalex.org/W2901380936
- https://openalex.org/W2911433502
- https://openalex.org/W2922379180
- https://openalex.org/W2940118123
- https://openalex.org/W2942760891
- https://openalex.org/W2943643909
- https://openalex.org/W2963163009
- https://openalex.org/W2968171911
- https://openalex.org/W3017141460
- https://openalex.org/W3092599758
- https://openalex.org/W3158150050
- https://openalex.org/W3169534941
- https://openalex.org/W3172817298
- https://openalex.org/W3178954257
- https://openalex.org/W3196717993
- https://openalex.org/W3204060998
- https://openalex.org/W3205998632
- https://openalex.org/W3214317020
- https://openalex.org/W4205903501
- https://openalex.org/W4223472327
- https://openalex.org/W4283383380
- https://openalex.org/W4295934940
- https://openalex.org/W4312463564
- https://openalex.org/W4375830899