Early Detection of Sesame Leaf Diseases Using Convolutional Neural Networks

Stel je voor dat je een detective bent, maar in plaats van misdaden op te lossen in een stad, onderzoek je een rustige, groene buurt: een boerderij. In deze buurt zijn de bewoners sesamplanten, kleine oliehoudende helden die mensen al duizenden jaren voeden. Maar zoals elke buurt zijn er ook boefjes: onzichtbare schimmels, bacteriën en hongerige insecten die de oogst proberen te verpesten. Meestal is de enige manier om deze boefjes te vangen dat een menselijke boer door de velden loopt, met samengeknepen ogen naar de bladeren kijkt en gokt of een gele plek gewoon een slechte dag is of het begin van een ramp. Het is traag, het is subjectief, en tegen de tijd dat de boer beseft dat er iets mis is, kan het al te laat zijn.

Maak kennis met de wereld van "Computer Vision" en "Deep Learning". Denk aan Computer Vision als het geven van een paar superkrachtige ogen aan een computer die nooit knipperen. Deep Learning is het trainen van de hersenen van die ogen. Het is alsof je een robot leert een kat te herkennen, niet door een lijst met regels te lezen ("het heeft snorharen, het heeft vacht"), maar door het miljoenen foto's te laten zien totdat de robot gewoon weet hoe een kat eruitziet, zelfs als de kat slaapt of achter een gordijn verstopt zit. In de landbouw belooft deze technologie een game-changer te zijn. In plaats van te gokken, zou een computer direct een blad kunnen scannen, een ziekte opsporen voordat deze zich verspreidt, en de boer precies vertellen wat hij moet doen. Dit gaat niet alleen over het redden van een paar planten; het gaat over het redden van de levensvatbaarheid van boeren die vertrouwen op elke enkele druppel olie die hun gewassen produceren.

De Sesamblad-detective: Een Robot met een Scherp Oog

In dit onderzoek besloot een team van onderzoekers van de Daffodil International University in Bangladesh een digitale detective te bouwen, specifiek voor sesambladeren. Ze wilden zien of ze een computer konden leren om vier specifie specifieke "schurken" op te sporen die de sesamgewassen teisteren: een Gezond Blad (de goede jongen), Bladvlekkenziekte (schimmelplekken), Vergelingssyndroom (een teken van stress of een tekort aan voedingsstoffen) en Insectenschade aan het Blad (gaten en krassen door insecten).

Om hun digitale detective te trainen, trok het team naar de velden van Pabna, Bangladesh. Ze namen niet zomaant een paar foto's; ze verzamelden een enorme bibliotheek van 3.540 hoogresolutiebeelden. Ze maakten foto's onder een zonnige hemel, op bewolkte dagen en zelfs tijdens lichte regen, gebruikmakend van smartphones zoals de Realme 8 en de Redmi Note 10 Pro. Ze wilden dat de trainingsdata er precies zo uitzag als de rommelige, onvoorspelbare echte wereld, en niet als een perfect, steriel laboratorium.

Maar hier komt het lastige deel: 3.540 foto's is veel voor een mens, maar voor een hongerig computerbrein is het een beetje alsof je een nieuwe taal probeert te leren met slechts een paar flashcards. De computer kan de specifieke flashcards misschien uit het hoofd leren, maar faalt wanneer hij een nieuwe ziet. Om dit op te lossen, gebruikten de onderzoekers een slimme truc genaamd Data Augmentation. Stel je voor dat je een foto van een blad hebt. Stel je nu voor dat je die foto ondersteboven kunt keren, kunt draaien, kunt inzoomen, een beetje kunt vervagen of de kleuren kunt aanpassen om verschillende lichtomstandigheden te simuleren. Door dit wiskundig te doen, veranderden ze hun oorspronkelijke 3.540 afbeeldingen in een super-geladen dataset van 12.000 afbeeldingen. Ze zorgden ervoor dat elke "schurk" precies 3.000 voorbeelden had om van te studeren, zodat de computer niet in de war raakt door te veel foto's van de ene ziekte en te weinig van de andere.

Vervolgens onderwierpen het team vijf verschillende "hersenarchitecturen" (voorgetrainde computermodellen) aan een strenge test. Denk aan deze modellen als vijf verschillende studenten die hetzelfde eindexamen maken. De studenten waren: InceptionV3, EfficientNetB3, ResNet50, MobileNet en DenseNet121. Ze kregen allemaal dezelfde 3.540 afbeeldingen (gesplitst in 80% voor het studeren en 20% voor de test) en de opdracht om de vier bladcondities te identificeren.

De resultaten waren indrukwekkend. Alle vijf de studenten slaagden met vlag en wimpel, maar één student viel op als de valedictorian. MobileNet behaalde de hoogste nauwkeurigheid en identificeerde de bladconditie in 96,33% van de gevallen correct. Het scoorde ook een 96% precisie, 96% recall en een F1-score van 96%. Dit betekent dat het ongelooflijk goed was in het niet alleen vinden van de ziekte wanneer deze aanwezig was, maar ook in het niet onterecht "wolf" roepen wanneer het blad eigenlijk gezond was.

De andere studenten deden het ook erg goed. ResNet50 en EfficientNetB3 behaalden beide een nauwkeurigheid van rond de 95-96%, en DenseNet121 volgde vlak daarachter met 95,29%. De enige die het iets minder goed deed, was InceptionV3, dat een nauwkeurigheid van 91,37% wist te behalen. Hoewel dat nog steeds een goede score is, was het niet zo scherp als de anderen.

Wat dit resultaat bijzonder spannend maakt, is waarom MobileNet won. MobileNet is een "lichtgewicht" model, wat betekent dat het is ontworpen om snel en efficiënt te zijn, perfect voor het draaien op mobiele telefoons of kleine apparaten. De onderzoekers suggereren dat dit bewijst dat je niet altijd een enorme, zware computer nodig hebt om deze problemen op te lossen. Een lichtgewicht model kan net zo nauwkeurig zijn, wat betekent dat een boer potentieel deze "detective" op zijn smartphone kan downloaden en een blad in het veld kan scannen, voor een directe diagnose zonder dat hij een supercomputer of een internetverbinding nodig heeft.

De onderzoekers zijn echter voorzichtig om niet te beweren dat ze alles hebben opgelost. Ze merken op dat hun training werd uitgevoerd op statische beelden (stilstaande foto's) en een specifieke dataset uit één regio. Ze suggereren dat hoewel het model robuust is, toekomstig werk meer data moet bevatten, misschien zelfs video- of tijdreeksgegevens om te zien hoe ziekten in de loop van de tijd groeien. Ze wijzen er ook op dat hoewel het model geweldig is in het lab en op de testset, de echte wereld vol verrassingen zit.

Uiteindelijk suggereert dit artikel dat deep learning een krachtig hulpmiddel is voor "Smart Farming". Door een lichtgewicht model zoals MobileNet te gebruiken, kunnen we bewegen van gokwerk naar precieze, vroege detectie. Dit kan betekenen dat boeren minder pesticiden gebruiken (alleen spuiten wanneer ze weten dat er daadwerkelijk een ziekte aanwezig is) en hun gewassen redden voordat het te laat is. Het is een kleine stap naar een toekomst waarin technologie helpt de natuur te laten floreren, één sesamblad tegelijk.