dissertação
Detection of soybean pests and diseases through machine learning techniques
Detecção de pragas e doenças da soja através de técnicas de aprendizado de máquina
Registro en:
OMOLE, O. J. Detection of soybean pests and diseases through machine learning techniques. 2023. 56 p. Dissertação (Mestrado em Ciência da Computação)–Universidade Federal de Lavras, Lavras, 2023.
Autor
Omole, Oluwatoyin Joy
Institución
Resumen
Soybean, a vital source of protein and vegetable oil, plays a significant role in the economic
growth of producing countries. However, diseases and pest infestation pose a substantial threat to soybean
yield. Early detection of these issues on soybean leaves is crucial for preventing or reducing production
losses. Machine learning and deep learning methods have shown promise in detecting soybean
diseases. In this study, we investigated commonly used models for plant image classification, focusing
on soybean disease and pest identification. Six models were selected, including three simple machinelearning
models and three deep-learning models. To evaluate their performance, we used classification
accuracy, precision, recall, and F-measure metrics. Our results surpassed those of previous studies,
achieving improved accuracy in detecting soybean diseases and pests. Notably, the disease data set outperformed
the pest data set, despite the latter being larger. Among the algorithms tested, VGG-16, a deep
learning algorithm, demonstrated superior performance. The following are the classification accuracies
achieved for the pest and disease data sets, respectively, using different algorithms: Support Vector Machine
(88% and 92%), Random Forest (83% and 95%), K Nearest Neighbors (76% and 74%), VGG-16
(95% and 99%), VGG-19 (94% and 98%), and our custom CNN algorithm, ViewNet (89.5% and 75%).
By leveraging 10-fold cross-validation, a widely used technique in machine learning, we ensured reliable
and robust evaluations of the models. These findings contribute to the advancement of agricultural
practices by providing insights into effective machine learning and deep learning approaches for soybean
disease and pest detection. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) A soja, fonte vital de proteína e óleo vegetal, desempenha um papel significativo no crescimento econômico
dos países produtores. No entanto, doenças e infestação de pragas representam uma ameaça substancial
para a produtividade da soja. A detecção precoce desses problemas nas folhas de soja é crucial
para prevenir ou reduzir perdas de produção. Os métodos de aprendizado de máquina e aprendizado profundo
mostraram-se promissores na detecção de doenças da soja. Neste estudo, investigamos modelos
comumente usados para classificação de imagens de plantas, com foco em doenças da soja e identificação
de pragas. Seis modelos foram selecionados, incluindo três modelos simples de aprendizado de
máquina e três modelos de aprendizado profundo. Para avaliar seu desempenho, empregamos validação
cruzada de 10 vezes e avaliamos a precisão da classificação, precisão, recuperação e métricas de medida
F. Nossos resultados superaram os de estudos anteriores, alcançando maior precisão na detecção
de doenças e pragas da soja. Notavelmente, o conjunto de dados de doenças superou o conjunto de dados
de pragas, apesar do último ser maior. Entre os algoritmos testados, o VGG-16, um algoritmo de
aprendizado profundo, demonstrou desempenho superior. A seguir estão as precisões de classificação
alcançadas para os conjuntos de dados de pragas e doenças, respectivamente, usando diferentes algoritmos:
Support Vector Machine (88% e 92%), Random Forest (83% e 95%), K Nearest Neighbors ( 76%
e 74%), VGG-16 (95% e 99%), VGG-19 (94% e 98%), e nosso algoritmo CNN personalizado, ViewNet
(89,5% e 75% ). Ao alavancar a validação cruzada de 10 vezes, uma técnica amplamente utilizada em
aprendizado de máquina, garantimos avaliações confiáveis e robustas dos modelos. Essas descobertas
contribuem para o avanço das práticas agrícolas, fornecendo informações sobre aprendizado de máquina
eficaz e abordagens de aprendizado profundo para doenças da soja e detecção de pragas.