Advanced YOLO models for real-time detection of tomato leaf diseases

Abstract

Збільшення уваги до розумного сільського господарства за останнє десятиліття можна пояснити різними факторами, включаючи несприятливі наслідки зміни клімату, часті екстремальні погодні явища, збільшення населення, необхідність продовольчої безпеки та дефіцит природних ресурсів. Уряд Марокко приймає профілактичні заходи для боротьби з хворобами рослин, особливо зосередившись на томатах. Помідори широко визнані однією з найважливіших овочевих культур, але вони дуже вразливі до ряду хвороб, які значно знижують їх урожайність. Алгоритми глибокого навчання все частіше використовуються для виявлення хвороб листя томатів. Це дослідження передбачає комплексне вивчення різних методологій глибокого навчання з особливим акцентом на моделях згорткової нейронної мережі (CNN). Мета нашого дослідження полягала в тому, щоб визначити оптимальний підхід для виявлення хвороб, які впливають на листя томатів, шляхом поєднання двох загальнодоступних наборів даних PlantDoc та PlantVillage. Наша увага була зосереджена на пошуку стратегії, яка була б ефективною та дієвою для точного визначення цих захворювань. У цій статті досліджується доцільність використання найсучасніших методів глибокого навчання, які базуються на моделях YOLO. Обрано п’ять моделей, а саме: YOLOv5, YOLOX, YOLOv7, YOLOv8 та YOLO-NAS, які відносяться до категорії “одноступеневі сповіщувачі”. Ці моделі широко відомі своєю високою швидкістю логічного висновку та винятковою точністю. Відповідно до експериментальних результатів, YOLOv5 має найвищий рівень точності, досягаючи середньої точності (mAP) 93.1% після налаштування гіперпараметрів. Остаточна модель розроблена як додаток для смартфона, щоб покращити зручність використання.The increasing focus on smart agriculture in the last decade can be attributed to various factors, including the adverse effects of climate change, frequent extreme weather events, increasing population, the necessity for food security, and the scarcity of natural resources. The government of Morocco adopts preventative measures to combat plant illnesses, specifically focusing on tomatoes. Tomatoes are widely acknowledged as one of the most important vegetable crops, but they are highly vulnerable to several diseases that significantly decrease their productivity. Deep learning algorithms are increasingly being used to identify tomato leaf diseases. In this study, we thoroughly examine different deep learning methodologies, with a specific emphasis on Convolutional Neural Network (CNN) models. Our study aims at identifying the optimal approach for detecting diseases that impact tomato leaves by combining two publicly accessible datasets, PlantDoc and PlantVillage. We focused on finding a strategy that is effective and efficient in accurately identifying these diseases. This study investigates the feasibility of employing state-of-theart deep learning methods that are based on YOLO models. We have chosen five models, specifically YOLOv5, YOLOX, YOLOv7, YOLOv8, and YOLO-NAS, which belong to the category of “One-stage detectors.” These models are widely recognized for their rapid inference speed and outstanding accuracy. According to the experimental results, YOLOv5 has the highest level of accuracy, reaching a mean average precision (mAP) of 93.1% after adjusting the hyperparameters. The final model is developed as a smartphone application to improve user-friendliness.