Notizia

Jun 06, 2023

Rilevamento e identificazione delle malattie delle foglie di tè sulla base di YOLOv7 (YOLO

Scientific Reports volume 13,

Rapporti scientifici volume 13, numero articolo: 6078 (2023) Citare questo articolo

3425 accessi

1 Altmetrico

Dettagli sulle metriche

Per prevenire e gestire le malattie delle foglie di tè è necessario un sistema di diagnosi e identificazione affidabile e accurato. Le malattie delle foglie di tè vengono rilevate manualmente, allungando i tempi e influenzando la qualità della resa e la produttività. Questo studio mira a presentare una soluzione basata sull'intelligenza artificiale al problema del rilevamento delle malattie delle foglie di tè addestrando il modello di rilevamento di oggetti a fase singola più veloce, YOLOv7, sul set di dati delle foglie di tè malate raccolto da quattro importanti piantagioni di tè in Bangladesh. Da queste piantagioni di tè vengono raccolte 4000 immagini digitali di cinque tipi di malattie fogliari, generando un set di dati di immagini di malattie fogliari annotate manualmente e arricchite con dati. Questo studio incorpora approcci di aumento dei dati per risolvere il problema delle dimensioni insufficienti del campione. I risultati di rilevamento e identificazione per l'approccio YOLOv7 sono convalidati da importanti parametri statistici come accuratezza di rilevamento, precisione, richiamo, valore mAP e punteggio F1, che hanno prodotto rispettivamente 97,3%, 96,7%, 96,4%, 98,2% e 0,965 . I risultati sperimentali dimostrano che YOLOv7 per le malattie delle foglie di tè nelle immagini di scene naturali è superiore alle reti esistenti di rilevamento e identificazione dei target, tra cui CNN, Deep CNN, DNN, AX-Retina Net, DCNN migliorata, YOLOv5 e segmentazione di immagini multi-obiettivo. Pertanto, si prevede che questo studio riduca al minimo il carico di lavoro degli entomologi e aiuti nella rapida identificazione e rilevamento delle malattie delle foglie di tè, riducendo così al minimo le perdite economiche.

Il tè è una delle bevande funzionali più popolari al mondo grazie al suo sapore gradevole, al gusto squisito e ai benefici biologici. Contiene numerosi fitocostituenti attivi che apportano notevoli benefici alla salute umana. Il fatto più intrigante è che è diventata la bevanda più consumata (dopo l’acqua)1. Il tè svolge un ruolo importante nell'avvicinare famiglie e amici in tutto il mondo2. Si prevede che entro il 2025 il consumo globale di tè raggiungerà i 7,4 milioni di tonnellate, rispetto ai circa 7,3 milioni di tonnellate del 20203.

La domanda per la produzione di tè aumenterà nei prossimi giorni. Al contrario, la produzione di tè sta diminuendo a causa delle condizioni meteorologiche e dei cambiamenti climatici. Oltre a questi fenomeni globali, varie malattie e parassiti influenzano gravemente la produzione e la qualità del tè. Le malattie colpiscono spesso le piante di tè durante il loro sviluppo e crescita. In tutto il mondo vengono identificate oltre cento malattie diffuse che danneggiano le foglie di tè4. Il tè è tra le colture agroindustriali e orientate all'esportazione superiori del Bangladesh. Viene consumato regolarmente dalla maggior parte della popolazione del paese e il suo sapore è apprezzato all'interno e all'esterno del paese di origine5. Il Bangladesh conta 162 piantagioni di tè divise in due principali regioni di coltivazione del tè: Sylhet nel nord-est e Chittagong nel sud5. L'enorme produzione di tè del Bangladesh ha senza dubbio aiutato il suo PIL, posizionandolo come il principale esportatore di tè al mondo.

La diagnosi precoce e accurata delle malattie delle piante e dei parassiti previene in modo significativo le perdite di produzione agricola. Se le malattie legate alle foglie di tè vengono identificate in modo accurato e rapido, possono essere prevenute e gestite in modo più efficiente6. Negli ultimi tempi, la diagnosi della malattia delle foglie di tè è stata eseguita manualmente. Poiché la maggior parte delle piante di tè cresce su terreni collinari difficili, per i professionisti visitare le piantagioni di tè per la diagnosi è dispendioso in termini di tempo e denaro. Quando i coltivatori si affidano alle loro esperienze personali per distinguere tra le diverse forme di malattie del tè, i risultati sono altamente soggettivi7. L’accuratezza di tali proiezioni è bassa e l’identificazione delle foglie malate richiede un lavoro sostanziale. Pertanto, un quadro dovrebbe consentire una diagnosi della malattia più precisa e affidabile6.

Con il progresso della tecnologia informatica, l'apprendimento automatico e l'elaborazione delle immagini possono rilevare e identificare automaticamente le malattie delle piante, svolgendo un ruolo significativo nella diagnosi automatica delle malattie delle piante8,9. I ricercatori hanno applicato l’elaborazione delle immagini e l’apprendimento automatico per identificare e classificare le malattie delle piante. Castelao Tetila et al. ha applicato sei approcci tradizionali di apprendimento automatico per rilevare le foglie di soia infette catturate da un veicolo aereo senza pilota (UAV) da varie altezze. L'impatto delle caratteristiche del colore e della trama è stato convalidato in base al tasso di riconoscimento10. Maniyath et al.11, hanno suggerito un'architettura di classificazione basata sull'apprendimento automatico per rilevare le malattie delle piante. In un altro studio recente, Ferentinos12 ha utilizzato semplici immagini di foglie di piante sane e infette e ha costruito modelli di reti neurali convoluzionali per l’identificazione e la diagnosi delle malattie delle piante utilizzando il deep learning. Fuentes et al.13 hanno utilizzato "meta-architetture di deep learning" per identificare malattie e parassiti sulle piante di pomodoro utilizzando una fotocamera per catturare immagini con risoluzioni variabili. Come risultato di indagini fruttuose, gli approcci hanno continuato a rilevare nove tipi distinti di malattie e parassiti delle piante di pomodoro. Tiwari et al.14 hanno introdotto una fitta strategia di rete neurale convoluzionale per rilevare e classificare le malattie delle piante da immagini fogliari acquisite a diverse risoluzioni. Questa rete neurale profonda ha affrontato molte variazioni interclasse e intraclasse nelle immagini in circostanze complicate. Numerosi studi aggiuntivi hanno utilizzato tecniche di deep learning e di elaborazione delle immagini per identificare le malattie delle foglie di tè. Hossain et al.15 hanno scoperto un metodo di elaborazione delle immagini in grado di analizzare 11 caratteristiche delle malattie delle foglie di tè e hanno utilizzato un classificatore di macchine vettoriali di supporto per identificare e classificare le 2 malattie delle foglie di tè più comuni, vale a dire la malattia della peronospora bruna e la malattia delle foglie algali. Sun et al.16 hanno migliorato l'estrazione delle mappe di salienza della malattia delle foglie di tè da ambienti complicati combinando un semplice cluster iterativo lineare (SLIC) e una macchina vettoriale di supporto (SVM). Hu et al.17 hanno sviluppato un modello per analizzare la gravità della peronospora delle foglie di tè nelle foto di scene naturali. L'indice di gravità iniziale della malattia (IDS) è stato calcolato segmentando le posizioni dei punti della malattia dalle immagini delle foglie della peronospora delle foglie di tè utilizzando il classificatore SVM. Inoltre, vari ricercatori hanno utilizzato architetture degne di nota, come AlexNet18, VGGNet19, GoogLeNet20, InceptionV321, ResNet22 ​​e DenseNet23, per l'identificazione delle malattie delle piante.