[论文解读] Deep Learning-Based Computational Model for Disease Identification in Cocoa Pods (Theobroma cacao L.)

Darlyn Buenaño Vera, Byron Oviedo+2 more|arXiv (Cornell University)|Jan 2, 2024

Cocoa and Sweet Potato AgronomyAgricultural and Biological Sciences被引用 3

一句话总结

本文提出了一种轻量级深度学习模型 EfficientDet-Lite4，通过图像分析检测并分类可可果上的 'monilia' 和 'black pod' 病害。该模型在经过筛选的500张标注图像数据集上进行训练，平均精度达到35%，并已集成至安卓移动应用中，使农民能够通过智能手机实时、便捷地进行病害诊断。

ABSTRACT

The early identification of diseases in cocoa pods is an important task to guarantee the production of high-quality cocoa. The use of artificial intelligence techniques such as machine learning, computer vision and deep learning are promising solutions to help identify and classify diseases in cocoa pods. In this paper we introduce the development and evaluation of a deep learning computational model applied to the identification of diseases in cocoa pods, focusing on "monilia" and "black pod" diseases. An exhaustive review of state-of-the-art of computational models was carried out, based on scientific articles related to the identification of plant diseases using computer vision and deep learning techniques. As a result of the search, EfficientDet-Lite4, an efficient and lightweight model for object detection, was selected. A dataset, including images of both healthy and diseased cocoa pods, has been utilized to train the model to detect and pinpoint disease manifestations with considerable accuracy. Significant enhancements in the model training and evaluation demonstrate the capability of recognizing and classifying diseases through image analysis. Furthermore, the functionalities of the model were integrated into an Android native mobile with an user-friendly interface, allowing to younger or inexperienced farmers a fast and accuracy identification of health status of cocoa pods

研究动机与目标

• 解决可可果上 'monilia' 和 'black pod' 病害早期检测的严峻挑战，此类病害可导致高达80%的产量损失。
• 为技术经验有限的小农户开发一种可访问、低成本的解决方案，使其能通过移动技术识别病害症状。
• 设计并实现一种基于深度学习的计算模型，能够从图像中准确地定位和分类受感染的可可果。
• 将训练好的模型集成至用户友好的安卓应用程序中，以支持现场实时诊断和治疗建议。

提出的方法

• 选择 EfficientDet-Lite4 作为主要目标检测架构，因其具备高效性、轻量化设计以及在特征提取和边界框预测方面的优异性能。
• 通过图像裁剪、归一化以及 'Asociación de Productores Agrícolas Divino Niño' 的专家验证，构建了包含500张可可果图像的自定义数据集，涵盖健康、'monilia' 和 'black pod' 感染的果实。
• 利用 Google Colab 的计算资源训练模型，重点优化病害分类与目标定位，同时最小化推理时间。
• 使用原生安卓开发实现移动应用程序，以部署训练好的模型，使用户能够拍摄图像、获取概率诊断结果，并获得治疗指导。
• 设计应用界面时注重直观导航，包含查看诊断结果、访问详细信息以及通过 'Not the result' 按钮提供反馈的功能，以支持模型优化。
• 使用精确率、召回率和平均精度均值（mAP）评估模型性能，涵盖三类：健康、monilia 和 black pod（Phytophthora）。

实验结果

研究问题

• RQ1 轻量级深度学习模型能否有效从普通智能手机拍摄的图像中检测并定位可可果上的 'monilia' 和 'black pod' 病害？
• RQ2 EfficientDet-Lite4 在分类可可果健康状况方面，与其它先进目标检测模型相比表现如何？
• RQ3 集成深度学习模型的移动应用程序在多大程度上能提升非专业农民的病害诊断准确性和可及性？
• RQ4 数据集质量与专家验证对模型预测可靠性及实际应用可用性有何影响？

主要发现

• 模型在所有类别上的平均精度为35%，其中 'monilia' 的精度为42.3%，'black pod' 为27.3%，健康果实为34.4%。
• 模型在训练过程中表现出渐进性改进，损失随训练轮次下降，表明其在筛选数据集上学习效果良好。
• 移动应用程序成功实现了实时诊断，当正确分类时，显示果实为健康的概率高达96%。
• 应用程序界面支持用户与诊断结果、治疗建议及反馈机制的交互，提升了可用性与模型适应性。
• 'Asociación de Productores Agrícolas Divino Niño' 的专家验证确认了数据集标注的准确性和可靠性。
• 尽管数据集规模有限，模型表现仍令人满意，表明在获取更大、更多样化的数据后，性能有望进一步提升。