📄 agriculture

A Novel Multi Class Real World Fruit and Leaf Disease Image Dataset for Crop Health Analysis

Dit artikel introduceert de Tomato–Chilli–Papaya (TCP) dataset, een uitgebreide real-world multi-crop beeldcollectie voor plantziekterkenning, en valideert het nut ervan door aan te tonen dat deep learning-modellen, in het bijzonder lichte CNN's, effectief diverse blad- en vruchtziekten kunnen classificeren om schaalbare precisielandbouw te ondersteunen.

Oorspronkelijke auteurs: Anand Kumar Jain, Anadi Jain, Neeta Nain

Gepubliceerd 2026-07-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Anand Kumar Jain, Anadi Jain, Neeta Nain

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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

Stel je een wereld voor waarin boeren als detectives zijn die elke dag een mysterie proberen op te lossen: "Is mijn gewas gezond, of is het ziek?" Meestal moeten ze kilometers door velden lopen, waarbij ze de bladeren en vruchten nauwgezet bekijken en moeten gokken of een bruine vlek slechts een schaduw is of het begin van een dodelijke ziekte. Het is traag, vermoeiend en het is makkelijk om fouten te maken.

Dit artikel introduceert een nieuw hulpmiddel om deze detectives te helpen: een enorme, digitale fotoalbum genaamd de TCP Dataset.

Het "TCP" Fotoalbum

Beschouw de TCP-dataset als een gigantisch, georganiseerd plakboek met 9.541 foto's van drie zeer populaire gewassen: tomaten, pepers en papaja's.

De Onderwerpen: Net zoals een familiealbum foto's heeft van iedereen, bevat dit album foto's van zowel bladeren als vruchten.
De Omstandigheden: In tegenstelling tot een fotoshoot in een studio waar de belichting perfect is en de achtergrond wit is, zijn deze foto's in de echte wereld genomen. Sommige zijn helder en zonnig, sommige zijn in de schaduw, sommige zijn wazig, en sommige hebben vuil of andere planten op de achtergrond. Dit maakt het album "realistisch", waardoor computers worden getraind om ziekten te herkennen, zelfs wanneer de foto niet perfect is.
De Variatie: Het album bevat niet alleen één type foto. Het bevat:
- 55% genomen door onderzoekers direct in de velden in Rajasthan, India.
- 16% gefotografeerd door echte boeren met hun mobiele telefoons.
- 17% uit andere vertrouwde publieke databases.
- 12% zorgvuldig gecontroleerde afbeeldingen van het internet.

Het "Ziektenwoordenboek"

Binnen dit album zijn de foto's onderverdeeld in 20 verschillende categorieën. Het is alsof je een woordenboek hebt dat een computer leert het verschil te zien tussen:

Een gezond tomaatblad versus een blad met "Early Blight" (wat eruitziet als een doelwit).
Een gezonde peper versus een peper met "Leaf Curl" (waarbij de bladeren omhoog krullen als een pretzel).
Een gezonde papaja versus een papaja met "Ring Spot" (wat ringen op de vrucht aanbrengt).

Het doel is om een computer te leren naar een foto te kijken en te zeggen: "Ah, dat is niet zomaar een vies blad; dat is een specifiek virus!"

De Computer Leren (De "Brein"-training)

De onderzoekers hebben de foto's niet alleen aan een computer getoond; ze gebruikten een speciaal soort digitaal brein genaamd een CNN (Convolutional Neural Network). Denk aan deze als verschillende soorten "ogen" met verschillende sterktes:

De Zwaargewichten (VGG, ResNet, DenseNet): Dit zijn als gigantische, krachtige microscopen. Ze kunnen minuscule details zien, maar zijn zwaar en traag om te draaien.
De Lichtgewichten (MobileNet): Dit zijn als een paar slimme, lichte brillen. Ze zijn snel en gemakkelijk mee te dragen (perfect voor de telefoon van een boer), maar ze zien nog steeds erg goed.

De onderzoekers hebben deze digitale ogen "getraind" met de TCP-fotoalbum. Ze vroegen de computer: "Kijk naar deze foto. Is hij gezond of ziek? Zo ziek, wat voor soort?"

De Resultaten: Wie won het spel?

Na de training testten de onderzoekers hoe goed deze digitale ogen ziekten konden identificeren. Dit is wat ze ontdekten:

De Kampioen: DenseNet121 was de meest consistente alleskunner. Het behaalde de beste algemene score (ongeveer 86% nauwkeurigheid) over alle drie de gewassen en alle soorten ziekten. Het was als een detective die nooit een aanwijzing miste.
De Snelheidsduivels: MobileNet en MobileNetV2 waren ongelooflijk snel en efficiënt. Ze wonnen niet elke categorie, maar ze deden het erg goed met zeer weinig rekenkracht. Dit is cruciaal omdat het betekent dat een boer dit potentieel op een eenvoudige smartphone kan gebruiken zonder een supercomputer nodig te hebben.
De Moeitevolleigenaren: ResNet50 was een beetje een teleurstelling. Ondanks dat het een complex model is, raakte het gemakkelijk in de war, vooral wanneer de foto's lastig waren of de ziekten op elkaar leken. Het is als een detective die de aanwijzingen te veel overdenkt en het verkeerde antwoord geeft.

De "Onzekerheid" Heatmap

De onderzoekers keken ook naar hoe de computer zijn gokken maakte. Ze creëerden een "heatmap" (zoals een weerkaart die warme en koude plekken laat zien).

Donkere plekken betekenden dat de computer zeer zelfverzekerd was: "Ik weet dat dit een ziek blad is!"
Lichte plekken betekenden dat de computer onzeker was: "Hm, dit lijkt een beetje op een gezond blad, maar misschien is het wel ziek?"
De studie vond dat de computer meestal erg zelfverzekerd was, maar dat hij in de war raakte wanneer ziekten erg op elkaar leken of wanneer de belichting slecht was.

De Kern van het Verhaal

Dit artikel beweert niet dat ze al een robotboer hebben gebouwd. In plaats daarvan zegt het: "We hebben een heel goede, realistische oefentoets (de dataset) gebouwd en aangetoond dat moderne computer vision kan leren om deze ziekten te herkennen."

Ze bewezen dat door computers te voeden met een diverse mix van realistische foto's (en niet alleen perfecte labfoto's), we computers kunnen trainen om gewierziekten nauwkeurig te herkennen. Dit is een vitale eerste stap naar het bouwen van tools die boeren helpen om ziekten vroegtijdig te ontdekken, hun oogst te redden en meer voedsel te verbouwen.

Kortom: Ze maakten een groot, rommelig, real-world fotoalbum van zieke en gezonde planten, leerden een computer dit te lezen, en ontdekten dat de computer erg goed werd in het opsporen van de probleemgebieden.

Technische Samenvatting: Een Nieuwe Multi-Class Real-World Fruit- en Bladziektedataset voor Gewasgezondheidsanalyse

Probleemstelling
Plantenziekten die bladeren en vruchten aantasten, veroorzaken aanzienlijke wereldwijde opbrengst- en economische verliezen, met name bij tuinbouwgewassen zoals tomaat, chili en papaja. Hoewel vroege en nauwkeurige diagnose cruciaal is voor gewasbeheer, is traditionele handmatige inspectie tijdrovend, subjectief en op schaal onhaalbaar. Hoewel Kunstmatige Intelligentie (AI) en Convolutionele Neurale Netwerken (CNN's) veelbelovend zijn voor geautomatiseerde detectie, wordt hun effectiviteit vaak belemmerd door het gebrek aan hoogwaardige, diverse datasets. Bestaande benchmarks, zoals PlantVillage, zijn vaak beperkt tot gecontroleerde laboratoriumomgevingen met uniforme achtergronden, wat de generalisatie van modellen naar real-world landbouwomgevingen beperkt waar verlichting, achtergrondcomplexiteit en de ernst van de ziekte aanzienlijk variëren. Bovendien richten veel bestaande datasets zich op één enkel gewas of één enkel plantorgaan, waardoor ze niet geschikt zijn voor de multi-gewas, multi-ziekte analyse die vereist is voor praktische implementatie.

Methodologie
De auteurs introduceren de Tomato-Chilli-Papaya (TCP) Dataset, een uitgebreid multi-crop beeldarchief dat is ontworpen om de kloof tussen in het laboratorium getrainde modellen en real-world implementatie te overbruggen.

Dataset Samenstelling: De dataset bestaat uit 9.541 gelabelde RGB-afbeeldingen gecategoriseerd in 20 verschillende klassen over drie economisch vitale gewassen: Tomaat (Solanum lycopersicum), Chili (Capsicum annuum) en Papaja (Carica papaya). De klassen omvatten zowel gezonde als zieke toestanden van bladeren en vruchten.
Data Acquisitie: Om real-world variabiliteit te garanderen, werden afbeeldingen afkomstig van vier kanalen:
- 55% direct verzameld uit landbouwvelden in Rajasthan, India (Jaipur, Kota, Bundi).
- 16% bijgedragen door boeren via mobiele apparaten.
- 17% afkomstig uit bestaande publieke benchmark-datasets.
- 12% van geverifieerde internetbronnen.
  De afbeeldingen leggen diverse condities vast, waaronder variërende verlichting, occlusies, achtergrondclutter (bodem, lucht, vegetatie) en stadia van ziekteprogressie.
Experimentele Opstelling: De auteurs evalueerden de dataset met behulp van transfer learning met zes gevestigde CNN-architecturen: MobileNet, MobileNetV2, DenseNet121, ResNet50, InceptionV3 en VGG19.
- Preprocessing: Afbeeldingen werden hervergroten naar 224 × 224 pixels, genormaliseerd en gesplitst in trainings- (80%) en validatiesets (20%).
- Modelarchitectuur: De studie maakte gebruik van pretrained backbones (bevroren) met een Global Average Pooling (GAP) laag, een Dropout-laag (rate 0.2) en een finale Softmax classificatielaag.
- Training: De modellen werden getraind met de Adam-optimizer (leersnelheid $10^{-3}$ ) met sparse categorical cross-entropy loss gedurende 50 epochs.
Evaluatiemetrieken: Prestaties werden beoordeeld aan de hand van Accuracy, Precision, Recall, F1-Score en confusion matrices. De studie omvatte ook een kwantitatieve analyse van modelonzekerheid met behulp van heatmaps.

Belangrijkste Bijdragen

De TCP Dataset: De primaire bijdrage is de release van een nieuwe, multi-crop, multi-ziekte dataset die de complexiteit van real-world veldomstandigheden weerspiegelt. Het adresseert het tekort aan datasets die gelijktijdig meerdere gewassen en zowel blad- als vruchtpathologieën dekken.
Benchmarking: Het artikel biedt een rigoureuze benchmark voor deep learning modellen op deze specifieke dataset, waarbij baseline prestatie-indicatoren worden geboden voor 20 verschillende ziekteklassen.
Real-World Validatie: Door data van boeren en diverse veldomgevingen te integreren, dient de dataset als een uitdagende testomgeving voor het evalueren van de robuustheid van modellen tegen verandering in verlichting, achtergrondruis en klasse-imbalans.

Resultaten
De experimentele resultaten benadrukken significante variaties in modelprestaties op basis van architectuurcomplexiteit en datasetkenmerken:

Top Performers: DenseNet121 behaalde de hoogste algehele prestaties, met een gewogen F1-score van 86% en een testnauwkeurigheid van 86,06%. Het demonstreerde superieure generalisatie over de diverse gewas- en ziekteklassen.
Lichtgewicht Modellen: MobileNet en MobileNetV2 leverden concurrerende resultaten (Gewogen F1-scores van 84%) met aanzienlijk minder parameters (ongeveer 3,2M en 2,2M, respectievelijk) en snellere trainingstijden, wat ze geschikt maakt voor edge-implementatie.
Onderpresterende Modellen: ResNet50 presteerde aanzienlijk ondermaats (Test Accuracy ~39,73%, Gewogen F1-Score ~36%), waarschijnlijk door overfitting en gevoeligheid voor de klasse-imbalans in de dataset. VGG19 en InceptionV3 vertoonden matige prestaties maar vereisten substantieel meer computationele middelen.
Klasse-specifieke Inzichten:
- Modellen presteerden uitzonderlijk goed op "Gezonde" klassen en duidelijke virussymptomen (bijv. Chilli Curl Virus behaalde bijna perfecte F1-scores).
- De prestaties daalden bij klassen met subtiele symptomen of hoge inter-klasse gelijkenis, zoals Papaya Bacterial Spot en Tomato Verticillium Wilt, waar zelfs de beste modellen moeite hadden met de recall.
Onzekerheidsanalyse: Heatmap-analyse gaf aan dat het MobileNet-model voor de meeste samples vertrouwelde voorspellingen deed, waarbij onzekerheidspieken primair optraden bij ambigue symptomen of complexe achtergronden.

Betekenis en Claims
Het artikel claimt dat de TCP-dataset een noodzakelijke en uitdagende benchmark biedt voor de vooruitgang van plantziektediagnose. De betekenis ligt in:

Het Mogelijk Maken van Robuuste Generalisatie: Door de real-world variabiliteit te reflecteren, ondersteunt de dataset de ontwikkeling van AI-modellen die minder vatbaar zijn voor falen bij implementatie in ongecontroleerde landbouwomgevingen.
Ondersteuning van Precisielandbouw: De dataset faciliteert onderzoek naar lichtgewicht modellen voor edge-apparaten, explainable AI en onzekerheidsschatting, die cruciaal zijn voor schaalbare, praktische beslissingsondersteunende systemen.
Reproduceerbaarheid: De auteurs stellen de dataset (via Mendeley) en de code (via GitHub) beschikbaar om reproduceerbaar onderzoek en verdere ontwikkeling van hybride CNN-Transformer-architecturen mogelijk te maken.

De auteurs concluderen dat hoewel deep learning modellen effectief kenmerkende patronen voor ziekten kunnen leren, de diversiteit van de dataset cruciaal is om te waarborgen dat deze modellen generaliseren over verschillende gewassen en plantorganen. Toekomstig werk wordt voorgesteld om de gewasdekking uit te breiden, fijnmazige annotaties voor segmentatie toe te voegen en temporele en multispectrale data te integreren.