🤖 AI

Healthy Harvests: A Comparative Look at Guava Disease Classification Using InceptionV3

Deze studie vergelijkt de effectiviteit van de InceptionV3- en ResNet50-modellen voor het classificeren van guaveziektes, waarbij InceptionV3 met een nauwkeurigheid van 98,15% het beste presteerde door gebruik te maken van geavanceerde technieken zoals data-augmentatie en SHAP-analyse voor verbeterde interpreteerbaarheid.

Oorspronkelijke auteurs: Samanta Ghosh, Shaila Afroz Anika, Umma Habiba Ahmed, B. M. Shahria Alam, Mohammad Tahmid Noor, Nishat Tasnim Niloy

Gepubliceerd 2026-02-12

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Samanta Ghosh, Shaila Afroz Anika, Umma Habiba Ahmed, B. M. Shahria Alam, Mohammad Tahmid Noor, Nishat Tasnim Niloy

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De "Dokter voor de Guave": Hoe AI de oogst redt

Stel je voor: je bent een boer in Zuid-Azië en je hele inkomen hangt af van je guave-bomen. Je ziet dat sommige vruchten rare vlekken krijgen of er een beetje slap uitzien. Maar hoe weet je of het een onschuldige vlek is, of een gevaarlijke schimmel die je hele oogst kan vernietigen? Als je te laat bent, is het te laat. Je hebt een expert nodig die 24/7 klaarstaat.

In dit onderzoek hebben wetenschappers van de East West University een "digitale landbouwexpert" gebouwd: een slim computersysteem dat foto's van guaves bekijkt en razendsnel zegt: "Deze is gezond", "Deze heeft schimmel (Anthracnose)" of "Deze is aangevallen door fruitvliegjes".

Hoe werkt die "digitale expert"? (De Analogie)

Om dit te bereiken, hebben de onderzoekers twee verschillende soorten "digitale breinen" (AI-modellen) gebruikt. Je kunt ze vergelijken met twee verschillende soorten detectives:

De InceptionV3 Detective (De Specialist met de Vergrootglas):
Deze detective is als iemand die niet alleen naar de hele foto kijkt, maar tegelijkertijd met verschillende vergrootglazen naar de details kijkt. Hij kijkt naar de grote lijnen, maar ook heel specifiek naar de textuur van een vlekje. Hij is extreem nauwkeurig en haalde een score van maar liefst 98%. Hij is de kampioen van dit onderzoek.
De ResNet50 Detective (De Ervaren Hardloper):
Deze detective is als een ervaren loper die een heel lang pad (een diep netwerk) moet afleggen. Bij heel diepe paden raken normale computers soms de weg kwijt (ze vergeten wat ze aan het begin zagen). ResNet50 heeft echter een soort "geheugensteuntjes" (residual learning) ingebouwd, waardoor hij de weg nooit kwijtraakt. Hij was ook erg goed, met een score van 94%.

De "Superkracht" van de AI: Mixen en Mengen

De onderzoekers wilden dat de AI niet alleen de foto's uit het tekstboek herkende, maar ook de "rommelige" foto's uit de echte wereld. Daarom gebruikten ze een trucje genaamd CutMix en MixUp.

Denk hierbij aan het maken van een smoothie: in plaats van alleen een hele banaan te laten zien, knippen ze een stukje van de ene foto (bijvoorbeeld een zieke guave) en plakken dat op een andere foto (een gezonde guave). Hierdoor leert de AI om heel goed te kijken naar de grenzen tussen "gezond" en "ziek", alsof hij een puzzel moet oplossen.

"Waarom denk je dat?" (De XAI-techniek)

Een groot probleem met AI is dat het vaak een "black box" is: de computer zegt "ziek!", maar je weet niet waarom. Voor een boer is dat niet genoeg; hij wil weten waar hij moet kijken.

De onderzoekers voegden daarom een soort "uitleg-functie" toe (SHAP en LIME). Dit werkt als een digitale highlighter. Als de AI zegt dat een guave ziek is, kleurt hij de exacte plek op de foto die hem tot die conclusie bracht felgeel of rood. Het is alsof de dokter op de foto wijst en zegt: "Kijk, precies op deze plek zie je de schade." Dit maakt de AI betrouwbaar en transparant.

De Conclusie

Het resultaat? De digitale expert is veel sneller en nauwkeuriger dan menselijke inspectie alleen. Door deze technologie te gebruiken, kunnen boeren sneller ingrijpen, minder voedsel verspillen en hun inkomen veiligstellen. Het is een digitale schild voor de oogst!

Technische Samenvatting: Healthy Harvests: Een Vergelijkende Blik op Guaveziekteclassificatie met InceptionV3

Probleemstelling

De teelt van guave is economisch van groot belang, met name in Zuid-Azië, maar wordt ernstig bedreigd door ziekten zoals Anthracnose (een schimmelziekte) en infecties door fruitvliegen. Deze ziekten tasten de kwaliteit van de vruchten aan en verminderen de oogstopbrengst. Handmatige inspectie door boeren is tijdrovend en foutgevoelig. Er is behoefte aan een geautomatiseerd, betrouwbaar en interpreteerbaar systeem voor vroege detectie om de voedselzekerheid en het inkomen van kleine boeren te waarborgen.

Methodologie

Het onderzoek hanteert een diepgaande leerbenadering (Deep Learning) met de volgende stappen:

Dataset & Preprocessing: Er werd gebruikgemaakt van een dataset van Mendeley Data met 473 originele afbeeldingen van guaves. Om de robuustheid te vergroten, werden de afbeeldingen geresized naar $256 \times 256$ pixels (RGB) en toegepast via Data Augmentation, wat resulteerde in een uitgebreide dataset van 3.784 afbeeldingen.
Regularisatie-technieken: Om overfitting tegen te gaan en de generalisatie van de modellen te verbeteren, werden geavanceerde data-mixmethoden toegepast:
- CutMix: Het vervangen van een deel van een afbeelding door een patch van een andere afbeelding.
- MixUp: Het lineair combineren van twee afbeeldingen en hun bijbehorende labels.
Modellen: Er zijn twee state-of-the-art Convolutionele Neurale Netwerken (CNN's) vergeleken:
- InceptionV3: Maakt gebruik van parallelle convolutiefilters van verschillende groottes om kenmerken op meerdere schalen efficiënt te extraheren.
- ResNet50: Maakt gebruik van residual learning (skip-connections) om het probleem van de verdwijnende gradiënt bij diepe netwerken op te lossen.
Explainable AI (XAI): Om de besluitvorming van de "black box" modellen transparant te maken, werden SHAP (met Grad-CAM) en LIME ingezet. Hiermee wordt visueel gemaakt welke specifieke delen van de vrucht (zoals beschadigde plekken) de classificatie beïnvloeden.

Belangrijkste Bijdragen

Vergelijkende Analyse: Een systematische vergelijking tussen InceptionV3 en ResNet50 specifiek voor guaveziekten.
Verbeterde Robuustheid: De integratie van CutMix en MixUp om de nauwkeurigheid op nieuwe, ongeziene data te verhogen.
Interpreteerbaarheid: Het toepassen van XAI-technieken (SHAP en LIME) om de betrouwbaarheid van de AI-voorspellingen voor landbouwtoepassingen te vergroten.

Resultaten

De experimentele resultaten tonen aan dat beide modellen zeer hoge prestaties leveren, waarbij InceptionV3 de voorkeur geniet:

InceptionV3: Behaalde een superieure nauwkeurigheid (accuracy) van 98,15%. De precisie en recall voor Anthracnose waren perfect (1.00).
ResNet50: Behaalde een nauwkeurigheid van 94,46%.
Vergelijking met bestaand werk: De voorgestelde modellen presteren significant beter dan eerdere studies (zoals die van Mawardi et al. en Yuhang Pan et al.), die nauwkeurigheden tussen de 74% en 93% rapporteerden.
XAI-validatie: De heatmaps van SHAP en LIME bevestigden dat de modellen daadwerkelijk focussen op de pathologische kenmerken (de beschadigde zones) van de vrucht.

Betekenis en Conclusie

Dit onderzoek biedt een krachtig technologisch kader voor de precisielandbouw. Door de hoge nauwkeurigheid van het InceptionV3-model, gecombineerd met de verklaarbaarheid via XAI, kan dit systeem worden ingezet als een betrouwbaar hulpmiddel voor boeren. Hoewel de auteurs opmerken dat een grotere en kwalitatief betere dataset de resultaten nog verder zou kunnen perfectioneren, vormt dit werk een belangrijke stap richting geautomatiseerde ziektepreventie en het verhogen van de oogstopbrengst in de guave-sector.