Notícias

Jun 06, 2023

Detecção e identificação de doenças de folhas de chá com base em YOLOv7 (YOLO

Relatórios Científicos volume 13,

Scientific Reports volume 13, Número do artigo: 6078 (2023) Citar este artigo

3425 acessos

1 Altmétrica

Detalhes das métricas

Um diagnóstico confiável e preciso e um sistema de identificação são necessários para prevenir e controlar as doenças das folhas do chá. As doenças das folhas do chá são detectadas manualmente, aumentando o tempo e afetando a qualidade e produtividade do rendimento. Este estudo tem como objetivo apresentar uma solução baseada em inteligência artificial para o problema da detecção de doenças nas folhas do chá, treinando o modelo de detecção de objeto de estágio único mais rápido, YOLOv7, no conjunto de dados de folhas de chá doentes coletadas de quatro jardins de chá proeminentes em Bangladesh. 4.000 imagens digitais de cinco tipos de doenças foliares são coletadas desses jardins de chá, gerando um conjunto de dados de doenças foliares anotados manualmente e com dados aumentados. Este estudo incorpora abordagens de aumento de dados para resolver o problema de tamanhos de amostra insuficientes. Os resultados de detecção e identificação para a abordagem YOLOv7 são validados por métricas estatísticas proeminentes, como precisão de detecção, precisão, rechamada, valor mAP e pontuação F1, que resultaram em 97,3%, 96,7%, 96,4%, 98,2% e 0,965, respectivamente . Os resultados experimentais demonstram que o YOLOv7 para doenças de folhas de chá em imagens de cenas naturais é superior às redes de detecção e identificação de alvos existentes, incluindo CNN, Deep CNN, DNN, AX-Retina Net, DCNN aprimorado, YOLOv5 e segmentação de imagem multiobjetivo. Portanto, espera-se que este estudo minimize a carga de trabalho dos entomologistas e auxilie na rápida identificação e detecção de doenças das folhas do chá, minimizando assim as perdas econômicas.

O chá é uma das bebidas funcionais mais populares do mundo devido ao seu sabor agradável, sabor requintado e benefícios biológicos. Contém vários fitoconstituintes ativos que trazem benefícios significativos para a saúde humana. O mais intrigante é que ela se tornou a bebida mais consumida (depois da água)1. O chá desempenha um papel importante na aproximação de famílias e amigos em todo o mundo2. Até 2025, o consumo global de chá deverá atingir 7,4 milhões de toneladas, contra aproximadamente 7,3 milhões de toneladas em 20203.

A demanda pela produção de chá aumentará nos próximos dias. Em contraste, a produção de chá está diminuindo devido às condições climáticas e às mudanças climáticas. Além desses fenômenos globais, várias doenças e pragas afetam gravemente a produção e a qualidade do chá. As doenças freqüentemente afligem as plantas de chá durante seu desenvolvimento e crescimento. Mais de cem doenças prevalentes são identificadas em todo o mundo danificando as folhas de chá4. O chá está entre as culturas agroindustriais superiores e voltadas para a exportação de Bangladesh. É consumido regularmente pela maioria da população do país, e seu sabor é apreciado dentro e fora de seu país de origem5. Bangladesh tem 162 jardins de chá divididos em duas regiões principais de cultivo de chá: Sylhet no nordeste e Chittagong no sul5. A enorme produção de chá de Bangladesh, sem dúvida, ajudou seu PIB, posicionando-o como o maior exportador mundial de chá.

O diagnóstico precoce e preciso de doenças e pragas de plantas evita significativamente perdas na produção agrícola. Se as doenças das folhas do chá forem identificadas com precisão e rapidez, elas poderão ser evitadas e gerenciadas com mais eficiência6. Nos últimos tempos, o diagnóstico da doença da folha do chá tem sido realizado manualmente. Como a maior parte das plantas de chá cresce em terrenos montanhosos difíceis, é demorado e caro para os profissionais visitarem as plantações de chá para diagnóstico. Quando os agricultores confiam em suas experiências pessoais para diferenciar entre diferentes formas de doenças do chá, os resultados são altamente subjetivos7. A precisão de tais projeções é baixa e a identificação de folhas doentes requer um trabalho substancial. Portanto, uma estrutura deve permitir um diagnóstico mais preciso e confiável da doença6.

Com o avanço da tecnologia de computação, o aprendizado de máquina e o processamento de imagens podem detectar e identificar automaticamente doenças de plantas, desempenhando um papel significativo no diagnóstico automático de doenças de plantas8,9. Os pesquisadores aplicaram processamento de imagem e aprendizado de máquina para identificar e categorizar doenças de plantas. Castelão Tetila et al. aplicaram seis abordagens tradicionais de aprendizado de máquina para detectar folhas de soja infectadas capturadas por um Veículo Aéreo Não Tripulado (VANT) de várias alturas. O impacto dos recursos de cor e textura foi validado com base na taxa de reconhecimento10. Maniyath et al.11, sugeriram uma arquitetura de classificação baseada em aprendizado de máquina para detectar doenças de plantas. Em outro estudo recente, Ferentinos12 usou imagens simples de folhas de plantas saudáveis ​​e infectadas e construiu modelos de redes neurais convolucionais para identificação e diagnóstico de doenças de plantas usando aprendizado profundo. Fuentes et al.13 empregaram "meta-arquiteturas de aprendizado profundo" para identificar doenças e pragas em plantas de tomate, utilizando uma câmera para capturar imagens com resoluções variadas. Como resultado de investigações frutíferas, as abordagens continuaram a detectar nove tipos distintos de doenças e pragas do tomateiro. Tiwari et al.14 introduziram uma estratégia de rede neural convolucional densa para detectar e classificar doenças de plantas a partir de fotos de folhas adquiridas em diferentes resoluções. Essa rede neural profunda abordou muitas variações entre classes e intraclasses em imagens em circunstâncias complicadas. Vários estudos adicionais utilizaram técnicas de aprendizado profundo e processamento de imagem para identificar doenças nas folhas do chá. Hossain et al.15 descobriram um método de processamento de imagens capaz de analisar 11 características das doenças das folhas do chá e utilizaram um classificador de máquina de vetores de suporte para identificar e classificar as 2 doenças mais comuns das folhas do chá, ou seja, doença da mancha marrom e doença das folhas das algas. Sun et al.16 melhoraram a extração de mapas de saliência da doença da folha do chá a partir de configurações complicadas, combinando cluster iterativo linear simples (SLIC) e máquina de vetor de suporte (SVM). Hu et al.17 desenvolveram um modelo para analisar a severidade da ferrugem da folha do chá em fotos de cenas naturais. O índice de severidade inicial da doença (IDS) foi calculado segmentando os locais das manchas da doença a partir de imagens de folhas de ferrugem usando o classificador SVM. Além disso, vários pesquisadores usaram arquiteturas notáveis, como AlexNet18, VGGNet19, GoogLeNet20, InceptionV321, ResNet22 ​​e DenseNet23, para identificação de doenças de plantas.