تشخیص خودکار بیماری‌های برگ سویا با استفاده از شبکه عصبی کانولوشنی و یادگیری ماشین

نوع مقاله : مقاله پژوهشی

نویسندگان

1 پلی‌تکنیک دولتی دامان، هند.

2 دانشکده علوم و فناوری رایانه، دانشگاه صلح جهانی دکتر ویشوانات کاراد، پونه، هند

3 مؤسسه فناوری اطلاعات AISSMS، پونه، هند.

4 دانشکده مهندسی اجینکیا دی.وای. پاتیل، پونه، هند.

چکیده

هدف: کشاورزی همچنان یکی از عوامل اصلی رشد اقتصادی و امنیت غذایی در بسیاری از کشورهای در حال توسعه به شمار می‌رود و سویا یکی از مهم‌ترین محصولات نقدی در جهان محسوب می‌شود. به دلیل ارزش غذایی بالای آن، سویا به طور گسترده در رژیم‌های غذایی انسانی و خوراک دام مصرف می‌شود و استفاده از آن به عنوان جایگزین شیر نیز به دلیل ماندگاری بیشتر پس از فرآوری رو به افزایش است. با این حال، تولید سویا اغلب در معرض طیف وسیعی از بیماری‌های برگی قرار دارد که بسته به شرایط خاک، عوامل اقلیمی و الگوهای کشت متفاوت هستند. این بیماری‌ها باعث کاهش چشمگیر در عملکرد و کیفیت محصول می‌شوند و ضرورت استفاده از روش‌های تشخیص کارآمد، خودکار و دقیق را برجسته می‌سازند. هدف این مطالعه طراحی و ارزیابی یک چارچوب تشخیص بیماری برگ سویا از طریق مقایسه روش‌های سنتی یادگیری ماشین با رویکردهای یادگیری عمیق است.
مواد و روش‌ها: یک مجموعه‌داده انتخاب‌شده شامل ۱۵۰۰ تصویر برگ سویا در دسته‌های مختلف بیماری به کار گرفته شد که به نسبت ۸۰:۲۰ برای آموزش و آزمون تقسیم گردید. پیش از آموزش مدل‌ها، تصاویر تحت پردازش‌های اولیه نظیر تغییر اندازه، تبدیل به طیف خاکستری، همسان‌سازی هیستوگرام و بخش‌بندی قرار گرفتند تا استخراج ویژگی بهبود یابد. دو رویکرد پیاده‌سازی شد: ماشین بردار پشتیبان (SVM) با ویژگی‌های استخراج‌شده به صورت دستی که نمایانگر یادگیری ماشین سنتی است، و یک شبکه عصبی کانولوشنی (CNN) سفارشی که نمایانگر یادگیری عمیق است. شبکه CNN با سه لایه کانولوشنی، لایه‌های بیشینه‌برداری (max-pooling) و لایه‌های کاملاً متصل طراحی شد و از تکنیک‌های افزایش داده، منظم‌سازی Dropout و تنظیم تطبیقی نرخ یادگیری استفاده گردید. همچنین بهینه‌سازی ابرپارامترها برای ارتقای عملکرد انجام شد.
نتایج: شبکه CNN پیشنهادی به دقت اعتبارسنجی ۱۰۰٪ دست یافت که به طور قابل توجهی بهتر از طبقه‌بند SVM با دقت 44/44% بود. اگرچه نشانه‌های جزئی بیش‌برازش مشاهده شد، اما CNN توانست قابلیت تعمیم قوی خود را در میان نمونه‌های متنوع برگ حفظ کند و قابلیت اطمینان آن در کاربردهای عملی را نشان دهد.
نتیجه‌گیری: یافته‌ها برتری آشکار یادگیری عمیق نسبت به روش‌های متداول یادگیری ماشین در شناسایی بیماری‌های گیاهی را تأیید می‌کنند. پژوهش‌های آینده بر استفاده از یادگیری انتقالی با شبکه‌های از پیش آموزش‌دیده و توسعه سامانه‌های تشخیص بلادرنگ مبتنی بر برنامه‌های تلفن همراه همراه با حسگرهای اینترنت اشیا متمرکز خواهد بود. چارچوب پیشنهادی مسیری مقیاس‌پذیر و قابل اعتماد برای کشاورزی فراهم می‌کند و مزایای قابل توجهی برای مدیریت پایدار محصولات و بهبود بهره‌وری در پی خواهد داشت.

کلیدواژه‌ها

عنوان مقاله [English]

Automated soybean leaf disease detection using convolutional neural network and machine learning

نویسندگان [English]

  • Sanjay Mate 1
  • Renuka Suryawanshi 2
  • Meenakshi Thalor 3
  • Ankita Tidake 4
1 Government Polytechnic Daman, India.
2 School of Computer Science and Technology, Dr.Vishwanath Karad World Peace University, Pune, India.
3 AISSMS Institute of Information Technology, Pune, India.
4 Ajeenkya DY Patil School of Engineering, Pune, India.
چکیده [English]

Objective
Agriculture stays a central driver of economic growth and food security in many developing countries, with soybean serving as one of the most important cash crops worldwide. Owing to its rich nutritional value, soybean is broadly consumed in human diets and livestock feed, and its use as a milk alternative is increasing because of its developed shelf life after processing. Nevertheless, soybean production is often threatened by a broad range of foliar diseases that vary based on soil conditions, climatic factors, and cropping patterns. These diseases create substantial losses in both yield and quality, underscoring the need for effective, automated, and accurate diagnosis techniques. This investigation aims to design and evaluate a soybean leaf disease diagnosis framework by comparing traditional machine learning methods with deep learning approaches.
Materials and methods
A curated dataset of 1,500 soybean leaf images covering multiple disease categories was utilized, divided into an 80:20 ratio for training and testing. Prior to model training, the images underwent preprocessing steps like resizing, grayscale conversion, histogram equalization, and segmentation to improve feature extraction. Two approaches were implemented: a support vector machine (SVM) with handcrafted features representing traditional machine learning, and a custom convolutional neural network (CNN) representing deep learning. The CNN was designed with three convolutional layers, max-pooling, and fully connected layers, incorporating data augmentation, dropout regularization, and adaptive learning rate tuning. Hyperparameter optimization was carried out to further raise efficiency.
Results
The proposed CNN achieved a validation accuracy of 100%, meaningfully outperforming the SVM classifier, which reached only 44.44%. Although minor indications of overfitting were observed, the CNN maintained robust generalization capability across varied leaf samples, demonstrating its reliability in practical applications.
Conclusions
The outcomes clearly establish the superiority of deep learning over conventional machine learning methods for plant disease recognition. Future study will centralize on employing transfer learning with pre-trained networks, as well as developing real-time diagnosis systems applying mobile applications integrated with IoT sensors. The proposed framework supplies a scalable and reliable pathway toward precision agriculture, proposing substantial benefits for sustainable crop management and improved productivity.

کلیدواژه‌ها [English]

  • convolutional neural network (CNN)
  • image preprocessing
  • machine learning
  • precision agriculture
  • soybean leaf disease

مراجع

Cheng, X., Zhang, Y., Chen, Y., Wu, Y., & Yue, Y. (2017). Pest identification via deep residual learning in complex background. Computers and Electronics in Agriculture, 141, 351–356. https://doi.org/10.1016/j.compag.2017.08.005
Dixit, S., Kumar, A., Haripriya, A., Bohre, K., & Srinivasan, K. (2023, April). Classification and recognition of soybean leaf diseases in Madhya Pradesh and Chhattisgarh using deep learning methods. In 2023 2nd International Conference on Paradigm Shifts in Communications Embedded Systems, Machine Learning and Signal Processing (PCEMS) (pp. 1–6). IEEE. https://doi.org/10.1109/PCEMS58491.2023.10136030
Fang, W., Yue, L., & Dandan, C. (2020, November). Classification system study of soybean leaf disease based on deep learning. In 2020 International Conference on Internet of Things and Intelligent Applications (ITIA) (pp. 1–5). IEEE. https://doi.org/10.1109/ITIA50152.2020.9312252
Ghotbaldini, H., Mohammadabadi, M. R., Nezamabadi-pour, H., Babenko, O., & Amiri Ghanatsaman, Z. (2019). Predicting breeding value of body weight at 6-month age using artificial neural networks in Kermani sheep breed. Acta Scientiarum. Animal Sciences, 41, Article e45282. https://doi.org/10.4025/actascianimsci.v41i1.45282
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 770–778). IEEE. https://doi.org/10.1109/CVPR.2016.90
Herrera, P. J., Dorado, J., & Ribeiro, Á. (2014). A novel approach for weed type classification based on shape descriptors and a fuzzy decision-making method. Sensors, 14(8), 15304–15324. https://doi.org/10.3390/s140815304
Huang, Y., Song, H., Han, T., Xu, S., Wang, Z., Liu, Q., & Wang, X. (2024). A hypergraph cell membrane computing network model for soybean disease identification. Scientific Reports, 14(1), Article 29637. https://doi.org/10.1038/s41598-024-81325-x
Jain, E., & Sharma, P. (2024, November). Deep learning-based soybean leaf disease classification using VGG16 and data augmentation techniques. In 2024 International Conference on Cybernation and Computation (CYBERCOM) (pp. 710–714). IEEE. https://doi.org/10.1109/CYBERCOM63683.2024.10803140
Ji, M., Liu, P., & Wu, Q. (2021). Feasibility of hybrid PSO-ANN model for identifying soybean diseases. International Journal of Cognitive Informatics and Natural Intelligence, 15(4), 1–16. https://doi.org/10.4018/IJCINI.290328
Kotwal, J., Kashyap, R., & Pathan, M. S. (2024). An India soybean dataset for identification and classification of diseases using computer-vision algorithms. Data in Brief, 53, Article 110216. https://doi.org/10.1016/j.dib.2024.110216
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84–90. https://doi.org/10.1145/3065386
Lin, M., Chen, Q., & Yan, S. (2013). Network in network. arXiv. https://doi.org/10.48550/arXiv.1312.4400
Ma, J., Du, K., Zheng, F., Zhang, L., & Sun, Z. (2018). Disease recognition system for greenhouse cucumbers based on deep convolutional neural network. Transactions of the Chinese Society of Agricultural Engineering, 34(12), 186–192. https://doi.org/10.11975/j.issn.1002-6819.2018.12.022
Ma, Z., Wang, Y., Zhang, T., Wang, H., Jia, Y., Gao, R., & Su, Z. (2022). Maize leaf disease identification using deep transfer convolutional neural networks. International Journal of Agricultural and Biological Engineering, 15(5), 187–195. https://doi.org/10.25165/j.ijabe.20221505.6658
Mahobiya, C., Iyer, S., & Kolhe, S. (2023). Hybrid features based classification of insect and leaf disease of soybean plants using random forest classifier. Multimedia Tools and Applications, 82(2), 1231–1251. https://doi.org/10.1007/s11042-022-13376-x
Mohammadabadi, M., Akhtarpoor, A., Khezri, A., Babenko, O., Stavetska, R. V., Tytarenko, I., Ievstafiieva, Y., Buchkovska, V., Slynko, V., & Afanasenko, V. (2024). The role and diverse applications of machine learning in genetics, breeding, and biotechnology of livestock and poultry. Journal of Agricultural Biotechnology, 16(4), 413–442. https://doi.org/10.22103/jab.2025.24662.1644
Mohammadabadi, M., Kheyrodin, H., Afanasenko, V., Babenko, O., Klopenko, N., Kalashnyk, O., Ievstafiieva, Y., & Buchkovska, V. (2024). The role of artificial intelligence in genomics. Journal of Agricultural Biotechnology, 16(2), 195–279. https://doi.org/10.22103/jab.2024.23558.1575
Ray, A., & Ray, H. (2021). Performance analysis of machine learning classifiers on different healthcare datasets. In A. K. Manocha, S. Jain, M. Singh, & T. Paul (Eds.), Emerging technologies in data mining and information security: Proceedings of IEMIS 2020, Volume 2 (pp. 99–111). Springer Nature Singapore. https://doi.org/10.1007/978-981-33-4367-2_11
Singh, B. P., & Shukla, S. (2021). Classification and recognition of soybean leaf disease detection using convolutional neural network (CNN). In 2021 5th International Conference on Electronics, Communication and Aerospace Technology (ICECA) (pp. 1134–1138). IEEE. https://doi.org/10.1109/ICECA52323.2021.9676017
Srilakshmi, A., & Geetha, K. (2023). A novel framework for soybean leaves disease detection using DIM-U-Net and LSTM. Multimedia Tools and Applications, 82(18), 28323–28343. https://doi.org/10.1007/s11042-023-14775-6
Sun, H., Xu, H., Liu, B., He, D., He, J., Zhang, H., & Geng, N. (2021). MEAN-SSD: A novel real-time detector for apple leaf diseases using improved light-weight convolutional neural networks. Computers and Electronics in Agriculture, 189, Article 106379. https://doi.org/10.1016/j.compag.2021.106379
Tetila, E. C., Machado, B. B., Menezes, G. K., Oliveira, A. D. S., Alvarez, M., Amorim, W. P., Belete, N. A. S., Silva, G. G., & Pistori, H. (2020). Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks. IEEE Geoscience and Remote Sensing Letters, 17(5), 903–907. https://doi.org/10.1109/LGRS.2019.2932385
Thapliyal, N., Thapliyal, S., Kukreja, V., & Mehta, S. (2024, March). Disruptive tech in agriculture: Federated learning CNNs for soybean leaf disease classification. In 2024 3rd International Conference for Innovation in Technology (INOCON) (pp. 1–6). IEEE. https://doi.org/10.1109/INOCON60754.2024.10511434
Wang, X., Pan, T., Qu, J., Sun, Y., Miao, L., Zhao, Z., Li, X., Liu, Y., & Zhu, R. (2023). Diagnosis of soybean bacterial blight progress stage based on deep learning in the context of data-deficient. Computers and Electronics in Agriculture, 212, Article 108170. https://doi.org/10.1016/j.compag.2023.108170
Wu, Q., Zhang, K., & Meng, J. (2019). Identification of soybean leaf diseases via deep learning. Journal of the Institution of Engineers (India): Series A, 100(4), 659–666.
Yu, M., Ma, X., Guan, H., & Zhang, T. (2023). A diagnosis model of soybean leaf diseases based on improved residual neural network. Chemometrics and Intelligent Laboratory Systems, 237, Article 104824. https://doi.org/10.1016/j.chemolab.2023.104824
Yu, M., Ma, X., Guan, H., Liu, M., & Zhang, T. (2022). A recognition method of soybean leaf diseases based on an improved deep learning model. Frontiers in Plant Science, 13, Article 878834. https://doi.org/10.3389/fpls.2022.878834
Zhang, D., Shao, J., Li, X., & Shen, H. T. (2021). Remote sensing image super-resolution via mixed high-order attention network. IEEE Transactions on Geoscience and Remote Sensing, 59(6), 5183–5196. https://doi.org/10.1109/TGRS.2020.3009918
Zhang, K., Wu, Q., Liu, A., & Meng, X. (2018). Can deep learning identify tomato leaf disease? Advances in Multimedia, 2018, Article 6710865. https://doi.org/10.1155/2018/6710865
مجله بیوتکنولوژی کشاورزی
دوره 17، شماره 4
آبان 1404
صفحه 151-168

فایل ها

هم رسانی

ارجاع به این مقاله

آمار