Tác giả: Tri Cong Pham, Van Duy Nguyen, Chi Hieu Le, Michael Packianather và Van Dung Hoang

Cà phê là một trong những đồ uống được tiêu thụ rộng rãi nhất và số lượng cũng như chất lượng của hạt cà phê phụ thuộc đáng kể vào sức khỏe và tình trạng của cây cà phê, đặc biệt là lá của chúng. Việc tự động hóa phân loại bệnh trên lá cà phê bằng AI là nhu cầu thiết yếu, không chỉ mang lại lợi ích kinh tế mà còn góp phần vào bảo tồn môi trường và tạo điều kiện tốt hơn cho việc canh tác cà phê bền vững. Qua việc áp dụng AI, việc phát hiện bệnh sớm được tạo điều kiện thuận lợi, từ đó giảm chi phí kiểm soát sâu bệnh, giảm thiểu tổn thất mùa màng, tăng năng suất và chất lượng sản phẩm cà phê, đồng thời thúc đẩy việc bảo tồn môi trường. Nhiều nghiên cứu đã đề xuất các thuật toán AI cho việc phân loại bệnh trên cây cà phê. Tuy nhiên, nhiều thuật toán sử dụng các thuật toán cổ điển, trong khi một số khác tận dụng học sâu, công nghệ tiên tiến nhất hiện nay trong lĩnh vực nhận dạng hình ảnh máy tính. Thách thức nằm ở chỗ khi sử dụng học sâu, một lượng lớn dữ liệu là cần thiết để huấn luyện. Việc thiết kế kiến trúc học sâu để tăng cường độ chính xác của mô hình trong khi vẫn làm việc với bộ dữ liệu huấn luyện nhỏ vẫn là lĩnh vực nghiên cứu đang tiếp diễn. Trong nghiên cứu này, chúng tôi đề xuất phương pháp dựa trên học sâu cho việc phân loại bệnh trên lá cà phê. Chúng tôi đề xuất kết hợp các mạng nơ-ron tích chập sâu khác nhau để cải thiện thêm hiệu suất phân loại tổng thể. Việc kết hợp sớm và muộn đã được tiến hành để đánh giá hiệu quả của mô hình được huấn luyện sẵn. Kết quả thí nghiệm của chúng tôi cho thấy phương pháp tổ hợp vượt trội hơn so với các phương pháp sử dụng một mô hình đơn lẻ, đạt được độ chính xác và độ chắc chắn cao trong việc phân loại bệnh trên lá cà phê BRACOL.

Coffee is one of the most widely consumed beverages and the quantity and quality of coffee beans depend significantly on the health and condition of coffee plants, particularly their leaves. The automation of coffee leaf disease classification using AI is an essential need, providing not only economic benefits but also contributing to environmental conservation and creating better conditions for sustainable coffee cultivation. Through the application of AI, early disease detection is facilitated, thereby reducing pest and disease control costs, minimizing crop losses, increasing coffee productivity and product quality, and promoting environmental preservation. Many studies have proposed AI algorithms for coffee disease classification. However, numerous algorithms employ classical algorithms, while some utilize deep learning, the current state-of-the-art in computer vision. The challenge lies in the fact that when using deep learning, a substantial amount of data is required for training. The design of deep learning architectures to enhance model accuracy while still working with a small training dataset remains an area of ongoing research. In this study, we propose deep learning-based method for coffee leaf disease classification. We propose the combination of different deep convolutional neural networks to further improve overall classification performance. Early and late fusion have been conducted to evaluate the effectiveness of the pre-trained model. Our experimental results demonstrate that the ensemble method outperforms single-model approaches, achieving high accuracy and precision in BRACOL coffee disease leaf.

Article link: https://iopscience.iop.org/article/10.1088/1755-1315/1278/1/012004/meta