Automatic detection and diagnosis of cocoa diseases using mobile tech and deep learning
Notice bibliographique
Résumé
Cocoa is a cash crop that contributes about 3% to the gross domestic product (GDP) of Ghana's economy and makes up about 20% of total export receipts according to the Ghana statistical service. However, revenue has been hampered recently by the outbreak of cocoa diseases such as Swollen shoot and black pod thereby causing up to 11% loss of the crop. There is, therefore, a need for urgent intervention by all stakeholders within the cocoa production sector. In this research, we aim to employ mobile technology and machine learning (ML) techniques to enhance the early detection and diagnosis of the two major diseases that affect cocoa production namely - swollen shoot and black pod. Specifically, a distributed mobile application is developed that enables farmers to take a picture or video of the cocoa and the app will analyse and automatically detect the specific disease. The app consequently suggests the best treatment to undertake using an inbuilt-information guide. The automatic detection and diagnosis of diseases are based on deep convolutional neural networks (CNN) for image analysis, classification, and detection. The research analysed 2,828 cocoa images spread across three class labels. We built and trained four CNN models, namely CentreNet ResNet50 V2, EfficientDet D0, SSD MobileNet V2, and SSD ResNet50 V1 FPN. We found the best generalised and fastest model to be the SSD MobileNet V2 with a detection confidence score of approximately 88.0%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».