Болезни листьев картофеля представляют значительную угрозу для глобальной продовольственной безопасности, влияя на урожайность и качество. Точные и эффективные методы классификации болезней имеют решающее значение для своевременного вмешательства и управления урожаем. В этом исследовании изучается эффективность современной архитектуры глубокого обучения YOLOv8 для классификации болезней листьев картофеля. Архитектура YOLOv8, известная своими возможностями обнаружения объектов в реальном времени, адаптирована для многоклассовой классификации болезней листьев картофеля. Благодаря трансферному обучению модель предварительно обучается на крупномасштабном наборе данных и настраивается на конкретном наборе данных о болезнях листьев картофеля. YOLOv8 использует одноступенчатую структуру обнаружения объектов, применяя ряд сверточных слоев для обнаружения и классификации болезней непосредственно на изображениях. Аналогичным образом для сравнения использовались Vision Transformers, которые показали многообещающие результаты в задачах классификации изображений. Экспериментальные результаты показали, что YOLOv8 показал точность 97,9%. Набор данных, используемый в этом исследовании, состоит из изображений листьев картофеля с высоким разрешением, пораженных различными болезнями, включая фитофтороз, раннюю гниль и здоровые листья. Для повышения надежности и обобщения модели были применены методы предварительной обработки, такие как дополнение и нормализация данных. Был проведен дополнительный анализ для понимания сильных и слабых сторон каждого подхода. YOLOv8 продемонстрировал превосходную производительность при обнаружении небольших поражений и сложных узоров на листьях картофеля благодаря своим возможностям обнаружения объектов. Это исследование способствует развитию компьютерного зрения в сельском хозяйстве, предоставляя информацию о производительности архитектур глубокого обучения для классификации болезней листьев картофеля. Результаты дают ценное руководство для исследователей и практиков, стремящихся разработать надежные и эффективные системы обнаружения болезней для поддержки устойчивых методов управления урожаем. / Potato leaf diseases pose a significant threat to global food security, affecting yield and quality. Accurate and efficient disease classification methods are crucial for timely intervention and crop management. This study investigates the efficacy state-of-the-art deep learning architecture, YOLOv8 for potato leaf disease classification. The YOLOv8 architecture, renowned for its real-time object detection capabilities, is adapted for multi-class classification of potato leaf diseases. Through transfer learning, the model is pre-trained on a large-scale dataset and fine-tuned on a specific potato leaf disease dataset. YOLOv8 leverages a single-stage object detection framework, employing a series of convolutional layers to detect and classify diseases directly from images. Similarly, Vision Transformers, which have shown promising results in image classification tasks, were employed for comparison. Experimental results revealed that YOLOv8 exhibited an accuracy of 97.9%. The dataset utilized in this research consists of high-resolution images of potato leaves affected by various diseases, including late blight, early blight, and healthy leaves. Preprocessing techniques such as data augmentation and normalization were applied to enhance model robustness and generalization. Further analysis was conducted to understand the strengths and limitations of each approach. YOLOv8 demonstrated superior performance in detecting small lesions and intricate patterns on potato leaves, owing to its object detection capabilities. This study contributes to advancing the field of agricultural computer vision by providing insights into the performance of deep learning architectures for potato leaf disease classification. The findings offer valuable guidance for researchers and practitioners seeking to develop robust and efficient disease detection systems to support sustainable crop management practices.
| Identifer | oai:union.ndltd.org:urfu.ru/oai:elar.urfu.ru:10995/140558 |
| Date | January 2024 |
| Creators | Моргуе-Ансах, М., Morgue-Ansah, M. |
| Contributors | Ронкин, М. В., Ronkin, M. V., УрФУ. Институт радиоэлектроники и информационных технологий-РТФ, Кафедра информационных технологий и систем управления |
| Publisher | б. и. |
| Source Sets | Ural Federal University |
| Language | English |
| Detected Language | Russian |
| Type | Master's thesis, info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Rights | Предоставлено автором на условиях простой неисключительной лицензии, http://elar.urfu.ru/handle/10995/31613 |
Page generated in 0.0029 seconds