Deep Learning Model for the Detection and Classification of Banana Disease Based on Leaf Images

Abstract

Fungal diseases are among the main reasons for low productivity in banana farming. Black Sigatoka and fusarium wilt race 1 are the major fungal diseases that threaten banana production. black Sigatoka is a fungal disease caused by a wind-bone fungus, Mycosphaerella fijiensis Morelet. On the other hand, fusarium wilt is another fungal disease originating from soil caused by a fungus named Fusarium oxysporum f. sp. cubense (Foc). The spread of these diseases is accelerating in many countries and threatens the production of bananas globally. Early detection of fungal diseases is essential and one of the possible approaches is using machine vision. Due to its high accuracy, deep learning is the most widely used algorithm in machine vision for many solutions. Its ability to model the data into multiple levels of abstraction makes it suitable for many agricultural solutions. Furthermore, deep learning can be trained with a vast amount of data. However, deep learning requires a high computational resource, challenging many agricultural solutions implemented on low-computing devices such as edge, mobile, and IoT devices. Therefore, this research proposes deep-learning models for detecting and classifying banana diseases based on leaf images. The study proposes the use of lightweight deep learning algorithms instead of off-shelf algorithms. Lightweight deep learning algorithms have a small architecture which make them suitable for low computing resources devices. The research is conducted in two stages: the first stage focuses on identifying the diseases using deep learning where default algorithms are trained. In this stage, four lightweight deep learning utilized namely mobileNetv2, mobileNetv3-small, ShuffleNetv2, and SqueezeNet. The choice of algorithms is based on the popularity of the algorithm in the research community. The second stage focuses on modification of the algorithms to increase the performance of the models. Modifications introduced include the addition of a convolutional block attention module (CBAM). CBAM is a lightweight attention module that enhances both channel and attention features. In both stages, sequential model based optimization (SMBO) is used for automatic hyperparameter tuning (HPO). SMBO is a variant of Bayesian optimization that selects the parameters sequentially. This makes SMBO to be faster than other optimization algorithms. The study used a dataset of images representing three classes: healthy, black Sigatoka, and fusarium wilt race 1. The dataset was collected in Northern Tanzania for a period of six months by the Mandela African Institution of Science and Technology (NM-AIST) and the International Institute of Tropical Agriculture (IITA). The preprocessing conducted after acquiring the dataset includes resizing, removing the stem images, splitting, and augmentation. The model's performance is measured by calculating accuracy, precision, recall, and f1-score as well as measuring model complexity. The results indicated that for stage one, mobileNetv2 outperforms all other models with 97,73% accuracy,97,74% precision, 97,73% recall, and 97,73% f1 score, while shuffleNetv2 had poor performance with an accuracy of 84,21%, precision of 84,76%, recall of 84,21%, and f1-score of 84,03%. SqueezeNet is a light model with a size of 2,78 MB, while mobileNetv3-small is the heaviest model with a size of 8.74 MB. However, all models had trouble distinguishing between black sigatoka and fusarium wilt race 1. This indicates generalization ability of the models is poor. For lightweight deep learning with CBAM (stage two), shuffleNetv2 outperforms all other models with 99,07% accuracy, 99,07% precision, 99,07% recall, and 99,07% f1-score. SqueezeNet is a light model with a size of 2,09 MB, while mobileNetv2 is the heaviest model with 14,40 MB. SqueezeNet took a short time, with an estimated 558.0961, equal to 9.301 minutes. Generally, the classification capability of all models increased significantly compared to stage one. Also, the CBAM module helps to increase the generalization capability of the models by reducing the number of misclassified images as well as increasing the performance of the models. However, the classification is still not 100% for all classes. Overall, the lightweight deep learning proposed by this research showed a good performance and can be used to overcome computational challenges. Also, classification and detection of banana diseases can be done based on image leaf, which can be a solution for early detection of the diseases and destruction method. Furthermore, the improvement of light-weight deep learning can be achieved by enhancing feature extraction ability. The approach proposed by this study can also be applied to other banana diseases and other plant species.

Penyakit jamur merupakan salah satu penyebab utama rendahnya produktivitas pisang pertanian. Penyakit jamur Sigatoka Hitam dan layu Fusarium ras 1 merupakan penyakit jamur utamayang mengancam produksi pisang. Sigatoka hitam adalah penyakit jamur yang disebabkan oleh ajamur tulang angin, Mycosphaerella fijiensis Morelet. Di samping itu, layu fusarium adalah penyakit jamur lain yang berasal dari tanah yang disebabkan oleh jamur bernama Fusarium oxysporum f. sp. kubus (Foc). Penyebaran penyakit ini adalah percepatan di banyak negara dan mengancam produksi pisang secara global. Deteksi dini penyakit jamur sangat penting dan merupakan salah satu pendekatan yang mungkin dilakukan menggunakan visi mesin. Karena akurasinya yang tinggi, pembelajaran mendalam adalah yang paling utama algoritma yang banyak digunakan dalam visi mesin untuk banyak solusi. Kemampuannya untuk menjadi model ata ke dalam berbagai tingkat abstraksi membuatnya cocok untuk banyak pertanian solusi. Selain itu, pembelajaran mendalam dapat dilatih dengan sejumlah besar data. Namun, pembelajaran mendalam membutuhkan sumber daya komputasi yang tinggi dan menantang banyak solusi pertanian yang diterapkan pada perangkat komputasi rendah seperti edge, seluler, dan perangkat IoT. Oleh karena itu, penelitian ini mengusulkan model pembelajaran mendalam untuk mendeteksi dan mengklasifikasikan penyakit pisang berdasarkan gambar daun. Pembelajaran mengusulkan penggunaan algoritma pembelajaran mendalam yang ringan dan bukan algoritma yang sudah ada algoritma. Algoritme pembelajaran mendalam yang ringan memiliki arsitektur kecil yang membuatnya cocok untuk perangkat dengan sumber daya komputasi rendah. Penelitian dilakukan dalam dua tahap: tahap pertama berfokus pada mengidentifikasi penyakit menggunakan pembelajaran mendalam di mana algoritma default dilatih. Pada tahap ini, empat pembelajaran mendalam ringan yang digunakan yaitu mobileNetv2, mobileNetv3-kecil, ShuffleNetv2, dan SqueezeNet. Pilihan algoritmanya adalah berdasarkan popularitas algoritma di komunitas riset. Kedua tahap berfokus pada modifikasi algoritma untuk meningkatkan kinerja para model. Modifikasi yang diperkenalkan antara lain penambahan konvolusional modul perhatian blok (CBAM). CBAM adalah modul perhatian ringan yang meningkatkan fitur saluran dan perhatian. Di kedua tahap, model sekuensial optimasi berbasis (SMBO) digunakan untuk penyetelan hyperparameter otomatis (HPO). SMBO adalah varian optimasi Bayesian yang memilih parameter secara berurutan. Hal ini membuat SMBO lebih cepat dibandingkan algoritma optimasi lainnya. Penelitian ini menggunakan kumpulan data gambar yang mewakili tiga kelas: sehat, Sigatoka hitam, dan ras layu fusarium 1. Dataset dikumpulkan di wilayah Utara Tanzania untuk jangka waktu enam bulan oleh Mandela African Institution of Sains dan Teknologi (NM-AIST) dan Institut Tropis Internasional Pertanian (IITA). Preprocessing dilakukan setelah memperoleh dataset termasuk mengubah ukuran, menghapus gambar batang, membelah, dan augmentasi. Itu Performa model diukur dengan menghitung akurasi, presisi, recall, dan f1-score serta mengukur kompleksitas model. Hasilnya menunjukkan bahwa untuk tahap pertama, mobileNetv2 mengungguli tahap lainnya model dengan akurasi 97,73%, presisi 97,74%, recall 97,73%, dan f1 97,73% skor, sedangkan shuffleNetv2 memiliki kinerja buruk dengan akurasi 84,21%, presisi sebesar 84,76%, recall sebesar 84,21%, dan f1-score sebesar 84,03%. SqueezeNet adalah sebuah model ringan dengan ukuran 2,78 MB, sedangkan mobileNetv3-small adalah yang terberat model dengan ukuran 8,74 MB. Namun, semua model kesulitan membedakannya antara sigatoka hitam dan layu fusarium ras 1. Hal ini menunjukkan adanya generalisasi kemampuan modelnya buruk. Untuk pembelajaran mendalam ringan dengan CBAM (stage dua), shuffleNetv2 mengungguli semua model lainnya dengan akurasi 99,07%, 99,07% presisi, recall 99,07%, dan f1-score 99,07%. SqueezeNet adalah model ringan dengan berukuran 2,09 MB, sedangkan mobileNetv2 adalah model terberat dengan 14,40 MB. SqueezeNet membutuhkan waktu singkat, dengan perkiraan 558.0961, sama dengan 9.301 menit. Secara umum, kemampuan klasifikasi semua model meningkat signifikan dibandingkan tahap pertama. Selain itu, modul CBAM membantu meningkatkan kemampuan generalisasi model dengan mengurangi jumlah kesalahan klasifikasi gambar serta peningkatan kinerja model. Namun klasifikasi tersebut masih belum 100% untuk semua kelas. Secara keseluruhan, pembelajaran mendalam ringan yang diusulkan oleh penelitian ini menunjukkan a kinerja yang baik dan dapat digunakan untuk mengatasi tantangan komputasi. Juga, klasifikasi dan deteksi penyakit pisang dapat dilakukan berdasarkan gambar daun, yang dapat menjadi solusi deteksi dini penyakit dan kehancurannya metode. Selain itu, peningkatan pembelajaran mendalam yang ringan juga dapat dilakukan dicapai dengan meningkatkan kemampuan ekstraksi fitur. Pendekatan yang diusulkan oleh ini Penelitian ini juga dapat diterapkan pada penyakit pisang lainnya dan jenis tanaman lainnya.