Analysis of the Fungi Disease on Fairy Mushroom using Deep Learning for Smart Farming

Abstract

Mushrooms are highly nutritious and vital cash crops in many countries. However, a critical problem for mushroom cultivation is fungal diseases, as they can inflict widespread damage on mushrooms within a relatively short period (within 48 hours), even though mushrooms are currently grown in precision farming systems. Besides, mushroom spores are also harmful to the health of mushroom farmers. In this paper, a fungal disease diagnosis and detection system (Case study: Fairy mushroom) is developed using various deep learning techniques, working with robots (Photographic robots) and precise IoT systems under the conditions of intelligent farming environment. The aims are to reduce the cost of mushroom wastage caused by fungal diseases, alleviate the health problems of farmers caused by mushroom spores, and address the vulnerabilities of the current intelligent farm system. The system consists of four parts: 1). automated robots for capturing images of mushrooms in intelligent farming in real-time, communicating image data over wireless technology, 2). sensor devices for detecting environmental conditions such as temperature and humidity, etc., 3). a fungal detection system with deep learning techniques, and 4). a notification system when a fungus is detected. The classification algorithms to recognize fungal diseases include DenseNet201, ResNet50, InceptionV3, and VGGNet19 based on the image database of 4,000 images of non-fungus and fungal mushrooms equally. The experimental results of the classification of fungal diseases show that DenseNet201 is the highest accuracy of 86.50% (DenseNet201 is most suitable for detecting fungal disease for existing smart farms), InceptionV3 is 77.74%, VGGNet19 is 76.24%, and the last is ResNet50, equal to 77.74% respectively. In particular, the proposed system can detect fungal diseases rapidly in only 1-6 hours. As a result, mushroom growers can reduce the number of mushrooms damaged by fungal diseases and reduce the risk of direct exposure to mushroom spores.

เห็ดเป็นพืชเศรษฐกิจที่มีคุณค่าทางโภชนาการสูงและมีความสำคัญในหลายประเทศ อย่างไรก็ตาม ปัญหาสำคัญสำหรับการเพาะเห็ดคือโรคเชื้อรา เนื่องจากสามารถสร้างความเสียหายอย่างกว้างขวางต่อเห็ดภายในระยะเวลาอันสั้น (ภายใน 48 ชั่วโมง) แม้ว่าในปัจจุบันเห็ดจะปลูกในระบบสมาร์ฟาร์มที่แม่นยำ นอกจากนี้ สปอร์เห็ดยังเป็นอันตรายต่อสุขภาพของเกษตรกรผู้เพาะเห็ดในงานวิจัยนี้นี้ ได้มีการพัฒนาระบบการวินิจฉัยและตรวจหาโรคเชื้อรา (กรณีศึกษา: เห็ดนางฟ้า) โดยใช้เทคนิคการเรียนรู้เชิงลึกที่หลากหลายวิธี การทำงานร่วมกับหุ่นยนต์ถ่ายภาพ และระบบอินเทอร์เน็ตของสรรพสิ่ง (Internet of Things: IoT) ที่แม่นยำภายใต้เงื่อนไขของสภาพแวดล้อมการทำฟาร์มอัจฉริยะ มีวัตถุประสงค์เพื่อลดต้นทุนของการสูญเสียเห็ดที่เกิดจากโรคเชื้อรา บรรเทาปัญหาสุขภาพของเกษตรกรที่เกิดจากสปอร์ของเห็ด และจัดการกับจุดอ่อนของระบบสมาร์ทฟาร์มในปัจจุบัน ระบบประกอบด้วย 4 ส่วน: 1). หุ่นยนต์อัตโนมัติสำหรับจับภาพเห็ดในสมาร์ทฟาร์มแบบเรียลไทม์ สื่อสารข้อมูลภาพผ่านเทคโนโลยีไร้สาย 2) อุปกรณ์เซ็นเซอร์ตรวจจับสภาพแวดล้อม เช่น อุณหภูมิและความชื้น เป็นต้น 3). ระบบตรวจจับเชื้อราด้วยเทคนิคการเรียนรู้เชิงลึก และ 4). ระบบแจ้งเตือนเมื่อตรวจพบเชื้อราโดยใช้อัลกอริทึมการเรียนรู้เชิงลึกเพื่อทดสอบโมเดลก่อนนำไปใช้งานจริงสำหรับการแจ้งเตือนโรคเชื้อราเขียวของเห็ดนางฟ้า ได้แก่ DenseNet201, ResNet50, InceptionV3 และ VGGNet19 โดยใช้ชุดข้อมูลรูปภาพที่เป็นโรคเชื้อราและไม่เป็นโรคเชื้อราจำนวน 4,000 ภาพ ผลการทดลองโมเดลพบว่าอัลกอริทึม DenseNet201 มีความแม่นยำสูงสุดสำหรับการทดสอบกับสองเทคนิค คือ augmentation และ non - augmentation โดยงานวิจัยนี้ได้เลือกใช้ผลการทดลองด้วยเทคนิค augmentation สำหรับสร้างระบบการแจ้งเตือนแบบอัตโนมัติ ซึ่งผลการทดลองพบว่า DenseNet201 มีค่าความแม่นยำ 86.50% InceptionV3 มีค่าความแม่นยำ 77.74% VGGNet19 มีค่าความแม่นยำ 76.24% และสุดท้ายคือ ResNet50 มีค่าควาแม่นยำ 70.74% ตามลำดับ และระบบที่นำเสนอสามารถตรวจหาโรคเชื้อราเขียวได้อย่างรวดเร็วภายในเวลาเพียง 1-6 ชั่วโมงเท่านั้น เป็นผลให้ผู้ปลูกเห็ดสามารถลดจำนวนเห็ดที่เสียหายจากโรคเชื้อราและลดความเสี่ยงของการสัมผัสสปอร์ของเห็ดโดยตรง