Applying Deep Learning Techniques for Disease Detection and Analysis from Sugarcane Leaf Images to Support Smart Agriculture

Abstract

This study examines convolutional neural networks as a tool for deep learning approaches. to promote smart agriculture by analyzing and identifying diseases from photos of sugarcane leaves. Developing a deep learning model to examine photos of sugarcane leaves and identify illness is the goal. and contrast the output of five convolutional neural network models: GoogLeNet, AlexNet, ResNet-50, DenseNet-121, and VGGNet-16. The researcher saved one data set of sugarcane leaf picture data for testing purposes. A picture of sugarcane leaves in their natural setting can be found in the Sugarcane Leaf Disease Dataset. The dataset is separated into three formats, namely 75:25, 80:20, and 90:10 as Train Data and Test Data, respectively. The model with the best performances for every dataset is determined by the comparison results to be: The overall accuracy of the DenseNet-121 model on the 75:25 data set is 96.71%; the overall accuracy of the ResNet-50 model on the 80:20 data set is 96.99%; and the overall accuracy of the DenseNet-121 model on the 90:10 data set is 96.71%. 97.28% was the accuracy rate overall. For this reason, the researcher developed the LINE Chatbot system and the chatbot system testing results using the DenseNet-121 model from the 90:10 data set. able to provide efficient automated responses.

งานวิจัยฉบับนี้ได้ศึกษาเทคนิคการเรียนรู้เชิงลึกโดยใช้โครงข่ายประสาทเทียมแบบคอนโวลูชัน เพื่อใช้ในการวิเคราะห์ตรวจสอบโรคจากภาพใบอ้อยเพื่อรองรับการเป็นเกษตรอัจฉริยะ โดยมีจุดประสงค์เพื่อสร้างโมเดลการเรียนรู้เชิงลึกในการวิเคราะห์ภาพใบอ้อยเพื่อตรวจสอบโรค และเปรียบเทียบประสิทธิภาพโมเดลโครงข่ายประสาทแบบคอนโวลูชันจำนวน 5 โครงสร้าง ประกอบด้วย VGGNet-16, ResNet-50, DenseNet-121, AlexNet และ GoogLeNet ข้อมูลรูปภาพใบอ้อยที่นำมาใช้ทดสอบมีจำนวน 1 ชุดข้อมูล ที่ผู้วิจัยจัดเก็บขึ้นเอง คือ Sugarcane Leaf Disease Dataset เป็นรูปภาพใบอ้อยที่อยู่ในสิ่งแวดล้อมทางธรรมชาติ มีการแบ่งชุดข้อมูลออกเป็น 3 รูปแบบ คือ 75:25, 80:20, และ 90:10 เป็นข้อมูล Train Data และ Test Data ตามลำดับ จากผลการเปรียบเทียบพบว่าโมเดลที่มีประสิทธิภาพสูงที่สุดในแต่ละชุดข้อมูล ได้แก่ ชุดข้อมูลแบบ 75:25 โมเดล DenseNet-121 มีค่าความแม่นยำโดยรวม อยู่ที่ 96.71% ชุดข้อมูลแบบ 80:20 โมเดล ResNet-50 มีค่าความแม่นยำโดยรวม อยู่ที่ 96.99% และชุดข้อมูลแบบ 90:10 โมเดล DenseNet-121 มีค่าความแม่นยำโดยรวม อยู่ที่ 97.28% ผู้วิจัยจึงเลือกโมเดล DenseNet-121 ในชุดข้อมูลแบบ 90:10 ไปใช้ในการพัฒนาระบบ LINE Chatbot และผลการทดสอบระบบแชทบอท สามารถตอบกลับแบบอัตโนมัติได้อย่างมีประสิทธิภาพ