Nouvelles

Jun 06, 2023

Détection et identification des maladies des feuilles de thé basées sur YOLOv7 (YOLO

Rapports scientifiques volume 13,

Rapports scientifiques volume 13, Numéro d'article : 6078 (2023) Citer cet article

3425 accès

1 Altmétrique

Détails des métriques

Un système de diagnostic et d'identification fiable et précis est nécessaire pour prévenir et gérer les maladies des feuilles de thé. Les maladies des feuilles de thé sont détectées manuellement, ce qui augmente le temps et affecte la qualité et la productivité du rendement. Cette étude vise à présenter une solution basée sur l'intelligence artificielle au problème de la détection des maladies des feuilles de thé en formant le modèle de détection d'objets en une étape le plus rapide, YOLOv7, sur l'ensemble de données sur les feuilles de thé malades recueillies dans quatre jardins de thé importants au Bangladesh. 4000 images numériques de cinq types de maladies foliaires sont collectées dans ces jardins de thé, générant un ensemble de données d'images sur les maladies foliaires annotées manuellement et augmentées de données. Cette étude intègre des approches d'augmentation des données pour résoudre le problème de la taille insuffisante des échantillons. Les résultats de détection et d'identification pour l'approche YOLOv7 sont validés par des mesures statistiques importantes telles que l'exactitude de la détection, la précision, le rappel, la valeur mAP et le score F1, qui ont donné respectivement 97,3 %, 96,7 %, 96,4 %, 98,2 % et 0,965. Les résultats expérimentaux démontrent que YOLOv7 pour les maladies des feuilles de thé dans les images de scènes naturelles est supérieur aux réseaux de détection et d'identification de cibles existants, notamment CNN, Deep CNN, DNN, AX-Retina Net, DCNN amélioré, YOLOv5 et la segmentation d'images multi-objectifs. Par conséquent, cette étude devrait minimiser la charge de travail des entomologistes et aider à l'identification et à la détection rapides des maladies des feuilles de thé, minimisant ainsi les pertes économiques.

Le thé est l'une des boissons fonctionnelles les plus populaires au monde en raison de sa saveur agréable, de son goût exquis et de ses bienfaits biologiques. Il contient plusieurs phyto-constituants actifs qui ont des avantages significatifs pour la santé humaine. Le fait le plus intrigant est qu'elle est devenue la boisson la plus consommée (après l'eau)1. Le thé joue un rôle important dans le rapprochement des familles et des amis à travers le monde2. D'ici 2025, la consommation mondiale de thé devrait atteindre 7,4 millions de tonnes métriques, contre environ 7,3 millions de tonnes métriques en 20203.

La demande de production de thé va augmenter dans les prochains jours. En revanche, la production de thé décline en raison des conditions météorologiques et du changement climatique. Outre ces phénomènes mondiaux, diverses maladies et ravageurs affectent gravement la production et la qualité du thé. Les maladies affectent fréquemment les théiers au cours de leur développement et de leur croissance. Plus d'une centaine de maladies répandues sont identifiées dans le monde endommageant les feuilles de thé4. Le thé fait partie des cultures agro-industrielles supérieures et orientées vers l'exportation du Bangladesh. Il est régulièrement consommé par la plupart des habitants du pays et sa saveur est très appréciée dans et au-delà de son pays d'origine5. Le Bangladesh compte 162 jardins de thé répartis en deux principales régions productrices de thé : Sylhet au nord-est et Chittagong au sud5. L'énorme production de thé du Bangladesh a sans aucun doute contribué à son PIB tout en le positionnant comme le premier exportateur mondial de thé.

Le diagnostic précoce et précis des maladies et ravageurs des plantes permet d'éviter de manière significative les pertes de production agricole. Si les maladies des feuilles de thé sont identifiées avec précision et rapidité, elles peuvent être prévenues et gérées plus efficacement6. Ces derniers temps, le diagnostic de la maladie des feuilles de thé a été effectué manuellement. Étant donné que la majeure partie des théiers poussent sur des terrains accidentés et vallonnés, il est long et coûteux pour les professionnels de visiter les plantations de thé pour le diagnostic. Lorsque les agriculteurs s'appuient sur leurs expériences personnelles pour différencier les différentes formes de maladies du thé, les résultats sont très subjectifs7. La précision de ces projections est faible et l'identification des feuilles malades nécessite un travail important. Par conséquent, un cadre devrait permettre un diagnostic plus précis et plus fiable de la maladie6.

Avec les progrès de la technologie informatique, l'apprentissage automatique et le traitement d'images peuvent détecter et identifier automatiquement les maladies des plantes, jouant un rôle important dans le diagnostic automatique des maladies des plantes8,9. Les chercheurs ont appliqué le traitement d'images et l'apprentissage automatique pour identifier et catégoriser les maladies des plantes. Castelão Tetila et al. appliqué six approches traditionnelles d'apprentissage automatique pour détecter les feuilles de soja infectées capturées par un véhicule aérien sans pilote (UAV) à différentes hauteurs. L'impact des caractéristiques de couleur et de texture a été validé sur la base du taux de reconnaissance10. Maniyath et al.11, ont proposé une architecture de classification basée sur l'apprentissage automatique pour détecter les maladies des plantes. Dans une autre étude récente, Ferentinos12 a utilisé de simples images de feuilles de plantes saines et infectées et construit des modèles de réseaux neuronaux convolutifs pour l'identification et le diagnostic des maladies des plantes à l'aide de l'apprentissage en profondeur. Fuentes et al.13 ont utilisé des « méta-architectures d'apprentissage en profondeur » pour identifier les maladies et les ravageurs des plants de tomates en utilisant une caméra pour capturer des images avec des résolutions variables. À la suite d'enquêtes fructueuses, les approches ont continué à détecter neuf types distincts de maladies et de ravageurs des plants de tomates. Tiwari et al.14 ont introduit une stratégie de réseau neuronal convolutif dense pour détecter et classer les maladies des plantes à partir d'images de feuilles acquises à différentes résolutions. Ce réseau de neurones profonds traitait de nombreuses variances interclasses et intraclasses dans les images dans des circonstances compliquées. Plusieurs études supplémentaires ont utilisé des techniques d'apprentissage en profondeur et de traitement d'images pour identifier les maladies des feuilles de thé. Hossain et al.15 ont découvert une méthode de traitement d'image capable d'analyser 11 caractéristiques des maladies des feuilles de thé et ont utilisé un classificateur de machine à vecteurs de support pour identifier et classer les 2 maladies des feuilles de thé les plus courantes, à savoir la maladie de la brûlure brune et la maladie des feuilles d'algues. Sun et al.16 ont amélioré l'extraction des cartes de saillance des maladies des feuilles de thé à partir de paramètres complexes en combinant un cluster itératif linéaire simple (SLIC) et une machine à vecteurs de support (SVM). Hu et al.17 ont développé un modèle pour analyser la gravité de la brûlure des feuilles de thé sur des photos de scènes naturelles. L'indice de gravité initiale de la maladie (IDS) a été calculé en segmentant les emplacements des taches de maladie à partir d'images de feuilles de brûlure des feuilles de thé à l'aide du classificateur SVM. De plus, divers chercheurs ont utilisé des architectures notables, telles que AlexNet18, VGGNet19, GoogLeNet20, InceptionV321, ResNet22 ​​et DenseNet23, pour l'identification des maladies des plantes.

Si les techniques précitées se sont révélées efficaces pour traiter les maladies des cultures ou des plantes, elles se limitent au diagnostic ou à la classification des images de maladies des cultures. Comme mentionné précédemment, les réseaux de neurones profonds sont inefficaces pour détecter et reconnaître les maladies des feuilles de thé dans les images de scènes naturelles. En effet, les images de scènes naturelles de feuilles de thé contiennent des arrière-plans complexes, des feuilles denses et des modifications à grande échelle. Les algorithmes en une étape ont obtenu de bons résultats par rapport aux autres modèles d'apprentissage en profondeur24. Récemment, les réseaux de détection d'images basés sur l'apprentissage en profondeur ont été séparés en réseaux à deux étages et à un étage24. La première est la famille d'algorithmes R–CNN (Region-Based Convolutional Neural Network), qui s'adresse aux propositions régionales et comprend des réseaux représentatifs tels que R–CNN, Fast R–CNN, Faster R–CNN, Mask R–CNN, etc. Une autre catégorie comprend les algorithmes à une étape et leurs réseaux représentatifs, comme la série YOLO (vous ne regardez qu'une fois)25.

YOLO est un algorithme de détection d'objets qui a gagné en popularité dans la vision par ordinateur. YOLO est un algorithme de détection d'objets en temps réel qui traite une image en un seul passage à travers un réseau de neurones. Contrairement aux algorithmes traditionnels de détection d'objets impliquant plusieurs étapes de traitement, YOLO effectue la reconnaissance d'objets et la régression de la boîte englobante en une seule étape24. Cela le rend rapide et efficace, avec la capacité de traiter jusqu'à 60 images par seconde. YOLO fonctionne en divisant une image en une grille de cellules et en prédisant les cadres de délimitation pour chaque cellule. Pour chaque boîte englobante, YOLO prédit la probabilité de classe (c'est-à-dire la probabilité que la boîte englobante contienne un objet particulier) et le score de confiance (c'est-à-dire la probabilité que la boîte englobante contienne un objet). YOLO prédit également les coordonnées de la boîte englobante par rapport à cell26.

Pour améliorer la précision des prédictions, YOLO utilise une technique appelée boîtes d'ancrage, qui sont des boîtes prédéfinies de différentes tailles et proportions. Chaque boîte d'ancrage est associée à une cellule particulière et est utilisée pour prédire la taille et la forme de l'objet dans cette cellule. À l'aide de boîtes d'ancrage, YOLO peut gérer des objets de différentes tailles et formes. L'un des principaux atouts de YOLO est sa rapidité. YOLO peut traiter des images en temps réel, ce qui le rend adapté à des applications telles que les véhicules autonomes, les systèmes de surveillance et la robotique26. YOLO est également efficace, car il n'a besoin de traiter une image qu'une seule fois, contrairement aux algorithmes traditionnels de détection d'objets qui nécessitent plusieurs passages sur le réseau. Une autre force de YOLO est sa capacité à détecter plusieurs objets dans une image. Étant donné que YOLO prédit les cadres de délimitation pour chaque cellule, il peut détecter plusieurs objets dans différentes parties de l'image. Cela rend YOLO idéal pour la détection des piétons et la reconnaissance des panneaux de signalisation26.

YOLOv7 est le nouveau détecteur avancé de la famille YOLO. Ce réseau utilise des sacs de cadeaux pouvant être entraînés, permettant aux détecteurs en temps réel d'améliorer considérablement la précision sans augmenter les coûts d'inférence. Il intègre une mise à l'échelle étendue et composée, permettant au détecteur cible de réduire efficacement le nombre de paramètres et de calculs, ce qui entraîne une accélération substantielle du taux de détection27. YOLOv7 dépasse les détecteurs d'objets typiques en termes de précision et de vitesse de 5 FPS (images par seconde) à 160 FPS. Il offre également un ensemble de cadeaux prêts à l'emploi et simplifie l'ajustement des modèles de détection. Le fichier de configuration de YOLOv7 facilite l'ajout de modules supplémentaires et la génération de nouveaux modèles28. L'étude propose E-ELAN, qui utilise la cardinalité d'expansion, de mélange et de fusion pour accomplir la capacité d'améliorer constamment la capacité d'apprentissage du réseau sans rompre le chemin de gradient d'origine29.

La version précédente de la famille YOLO (YOLOv5) a été appliquée efficacement dans divers domaines, notamment l'identification des fruits par des robots de récolte30,31, la détection de véhicules et de navires32,33, la sélection de champignons vénéneux et la détection de visage34. Jubayer et al.35 ont utilisé YOLOv5 pour la détection des moisissures et ont démontré une précision, un rappel, un F1 et un AP de 98,1 %, 100 %, 99,5 % et 99,6 %, respectivement.

La variante améliorée de YOLO (YOLOv7) a attiré de nombreux scientifiques en apprentissage automatique et en modélisation de données. Plusieurs chercheurs ont utilisé pour divers phénomènes de détection d'objets, tels que le suivi d'objets vidéo29, la détection d'objets pour l'estimation du nombre de canards de chanvre36, la détection d'objets d'images d'UAV maritimes37, la détection de navires à partir d'images satellites38, la détection de défauts dans différents matériaux39,40,41, le suivi de véhicules42, ainsi que dans les soins de santé43,44. Gallo et al.45 ont appliqué le modèle YOLOv7 sur un ensemble de données de plants de chicorée pour identifier les mauvaises herbes. De même, l'architecture YOLOv7 a été utilisée pour détecter les fruits dans les vergers, ce qui a facilité la localisation et la collecte des fruits par les robots de récolte46,47.

La famille YOLO a été largement utilisée pour identifier les maladies foliaires et les insectes nuisibles dans les cultures, ce qui nous encourage à considérer YOLOv7 comme modèle de référence. L'algorithme YOLOv7 n'est pas encore utilisé pour identifier les maladies des feuilles de thé. Pour la poursuite de cette recherche, les lacunes suivantes sont prises en compte :

Des données étiquetées limitées sont disponibles pour détecter la maladie des feuilles de thé, former et tester n'importe quel modèle.

Il y a un manque de métriques d'évaluation établies ou de points de repère spécifiques à la détection des maladies des feuilles de thé, ce qui rend difficile la comparaison des performances des modèles YOLOv7 à d'autres méthodes

Bien qu'il y ait eu peu d'études sur l'application de l'intelligence artificielle pour les maladies du thé, aucune n'a été entreprise au Bangladesh. Il est crucial d'examiner les avantages potentiels et l'efficacité de l'utilisation de l'IA pour identifier et détecter les maladies des feuilles de thé au Bangladesh.

La présente étude a été conçue pour identifier et détecter les maladies des feuilles de thé à l'aide d'images capturées dans l'environnement naturel de nombreuses plantations de thé dans la région de Sylhet au Bangladesh. Cet article utilise des feuilles de thé malades comme objet de recherche, collecte cinq types d'images de défauts fréquents pour produire un ensemble de données sur les défauts des feuilles de thé et applique la vitesse de détection et la précision élevées de l'algorithme YOLOv7 au domaine de la détection d'objets. Cette recherche vise à développer une méthode automatisée pour détecter, identifier et classer les maladies du théier, augmenter la précision de la détection des maladies, faire gagner du temps aux agriculteurs et bénéficier à leurs moyens de subsistance. Selon nos connaissances, c'est la première fois que YOLOv7 avec le modèle d'attention est utilisé comme architecture fondamentale pour détecter les feuilles malades des théiers.

Les principaux apports de nos travaux sont les suivants :

Nous présentons un modèle de détection d'objets YOLOv7 amélioré, YOLO-T, pour la détection, l'identification et la résolution automatiques du problème de la précision de la détection automatique des maladies des feuilles de thé dans les images de scènes naturelles.

Les performances du YOLO-T développé ont été évaluées par rapport à la version précédente de YOLO (YOLOv5). La présente étude et les algorithmes précédents de détection des maladies des plantes sont également comparés.

Nous créons et présentons un ensemble de données original d'images de feuilles de thé malades obtenues dans les importants jardins de thé de Sylhet, au Bangladesh. Ce tout nouvel ensemble de données pourrait être utilisé pour former et tester le modèle YOLOv7 et par d'autres chercheurs travaillant sur des problèmes comparables.

La technique d'augmentation des données est utilisée pour augmenter le nombre d'images d'entraînement afin de résoudre le problème d'échantillons insuffisants et d'améliorer l'effet de détection et d'identification du réseau.

La méthodologie de cette étude fournit une base pour la prévention et la gestion automatiques des maladies des feuilles de thé et facilite l'application judicieuse de pesticides utilisant la technologie des drones.

Les feuilles de thé ont été collectées dans quatre jardins de thé renommés du district de Sylhet au Bangladesh, comme illustré à la Fig. 1. La position géographique de ces quatre jardins est représentée à la Fig. 2 afin que la distance qui les sépare puisse être comprise (ArcGIS 10.8). Les feuilles ont été récoltées en juin 2022 dans deux jardins de thé, à savoir National Tea Company Ltd. (24°55′11.9″ de latitude nord et 91°52′25.7″ de longitude est) à Lackatoorah, Sylhet et Malnicherra Tea Garden (24°56′11.2″ de latitude nord et 91°52′01.2″ de longitude est) sur Airport road à Syl het. En outre, cette recherche est étendue à deux autres jardins de thé, et des feuilles ont été collectées en août 2022 dans les jardins, à savoir Nur Jahan Tea Garden (24°17′50.5″ latitude nord 91°48′05.6″ longitude est) et Finlay Tea Estate (24°19′12.0″ latitude nord et 91°44′35.4″ longitude est), tous deux à Sreemangal, Sylhet.

Rechercher des lieux de collecte de données ; (A) National Tea Company Ltd., (B) Malnicherra Tea Garden, (C) Nur Jahan Tea Garden, (D) Finlay Tea Estate.

Les emplacements géographiques de quatre jardins de thé étudiés dans cette recherche à Sylhet, au Bangladesh.

Les méthodologies expérimentales et de recherche sur le terrain utilisées dans cette étude ont été menées conformément aux règles et directives applicables. Au cours de la période d'étude, seules des images de feuilles de thé malades ont été collectées ; aucune autre méthode de collecte ou d'échantillonnage n'a été utilisée. Les photos ont été prises dans un environnement naturel à l'aide d'un appareil photo reflex Canon EOS 80D avec une résolution d'image de 6000 × 4000 pixels. La caméra était positionnée à 0,4 m au-dessus de la canopée des arbres à thé. À partir des images de feuilles de thé malades capturées dans leur environnement naturel, 4000 images de cinq types de feuilles de thé (infectées par des maladies) ont été choisies pour générer un ensemble de données pour cette étude. Parmi ces 4000 images, 800 images (chacune) de feuilles infectées par des ravageurs et des maladies comme les araignées rouges, les punaises du moustique du thé, la pourriture noire, la brûlure brune et la rouille des feuilles. La figure 3 montre des images de ces cinq maladies des feuilles de thé prises à partir de feuilles de thé. Initialement, 800 images ont été sélectionnées au hasard parmi 4000 images pour évaluer la généralisation du modèle de détection. Les 3200 images restantes ont été divisées au hasard en un ensemble d'apprentissage (2800) et un ensemble de validation (400). Étant donné que les tailles d'image de notre ensemble de données n'étaient pas uniformes, une phase initiale de normalisation est effectuée pour normaliser toutes les photos en une image de résolution 640 × 640. Pour compléter l'étiquetage manuel de la maladie/infection, le logiciel d'annotation de données d'image « Étiquetage » a été utilisé pour créer le rectangle extérieur des parties malades dans toutes les images de l'ensemble d'entraînement à l'aide du package « Étiquetage » en python. Une fois l'installation réussie, l'étiquetage de l'image (dessin de la boîte englobante et étiquetage de la classe) est effectué pour chaque image. Après avoir correctement étiqueté l'image, la sortie est stockée sous la forme d'un fichier texte et d'un fichier de classe. Pour garantir que le rectangle comprend le moins possible de toile de fond, les images ont été étiquetées en fonction du plus petit rectangle environnant des feuilles de thé. Les feuilles de thé malades ont été manipulées avec soin pour éviter leur mélange.

Images des maladies des feuilles de thé : (a) araignée rouge, (b) insecte du moustique du thé, (c) pourriture noire, (d) brûlure brune, (e) rouille des feuilles.

Le package YOLO est installé en récupérant le code 'YOLOv7' de GitHub et en le clonant. La dernière version de 'YOLO v7' est prise en charge par Torch et peut être facilement implémentée à l'aide de 'Google colab'. Cela générera un nouveau dossier sur le système nommé 'YOLOv7'. Ce nouveau dossier stockera les poids pré-formés du modèle et la structure spéciale du répertoire YOLO. Un nouveau sous-dossier est créé dans YOLOv7 une fois la formation terminée. Pour ajouter le chemin de l'emplacement du sous-dossier, la notation 'YOLOv7/run/training/experiment/weights/last.pt' est utilisée. La taille du poids du document sera modifiée en fonction du document 'yaml' qui a été utilisé ici. Un schéma fonctionnel du cadre de test et de formation du modèle proposé est présenté à la Fig. 4.

Schéma fonctionnel de la formation et du test du modèle YOLOv7 proposé.

Voici les spécificités de la formation du modèle YOLOv7.

Taille des photos : 640 × 640

Nombre d'images dans chaque lot : 10

Extraction de fonctionnalités : data.yaml

Développé Yolo : YOLOv7s.yaml

Image : mesure des dimensions d'une image (en hauteur et en largeur).

Lot : la taille du lot est le nombre d'images introduites en même temps au cours d'une itération.

époques : nombre de répétitions ou d'itérations d'entraînement.

Données : la structure des données, y compris l'emplacement des données d'entraînement et de validation, le nombre total de classes et les noms de chaque classe a été caractérisée dans ce fichier YAML.

cfg : pour en savoir plus sur un modèle, vous pouvez consulter son fichier de configuration YAML dans le dossier "modèle". Il existe 4 modèles distincts disponibles, chacun avec une gamme de taille unique. Le fichier de formation nommé "YOLOv7s.yaml" a été utilisé.

Nom : Il existe un nom de modèle donné.

%cd yolov7/# changez le nom du répertoire en 'yolov7' en utilisant la commande

!train python. py --img 640 --batch 10 --epochs 205 --data/content/data.yaml --cfg models/yolov7s.yaml --name TeaLeafDisease

Tout au long du processus de formation, des données ont été recueillies, la perte a été analysée et le poids du modèle a été capturé à chaque époque à l'aide de l'outil de visualisation Tensorboard. Les spécifications d'ordinateur de bureau suivantes (tableau 1) ont été utilisées pour la formation et les tests à l'aide du cadre d'apprentissage en profondeur PyTorch.

YOLOv7 est dérivé des architectures de modèles YOLOv4, Scaled YOLOv4 et YOLO-R. La stratégie de prétraitement du modèle YOLOv7 est combinée à la technique de prétraitement du modèle YOLOv5, et l'augmentation des données en mosaïque est appropriée pour identifier les petits objets. En termes d'architecture, l'ELAN étendu (E-ELAN) est proposé comme une extension de l'ELAN. Le bloc de calcul du backbone de YOLOv7 est connu sous le nom d'E-ELAN. Les cardinalités d'expansion, de mélange et de fusion sont appliquées pour améliorer en permanence la capacité d'apprentissage du réseau sans compromettre l'itinéraire de gradient. La convolution de groupe est utilisée pour augmenter le canal et la cardinalité du bloc informatique dans l'architecture du bloc informatique. Différents ensembles de blocs de calcul sont chargés d'acquérir diverses caractéristiques. YOLOv7 introduit également la mise à l'échelle du modèle composé pour les modèles basés sur la concaténation. La méthode de mise à l'échelle composée permet de conserver les attributs de départ du modèle et, par conséquent, la meilleure structure. Ensuite, le modèle se concentre sur plusieurs modules et techniques d'optimisation entraînables connus sous le nom de "sac de cadeaux" (BoF)27,36. BoF est une stratégie qui améliore les performances d'un modèle sans augmenter son coût de formation. YOLOv7 a implémenté les approches BoF suivantes.

La re-paramétrisation est une technique d'amélioration d'un modèle suite à un apprentissage. Il allonge la durée de la formation mais améliore les résultats d'inférence. Il existe deux méthodes de reparamétrisation pour compléter les modèles : l'ensemble au niveau du modèle et l'ensemble au niveau du module. Par conséquent, la reparamétrisation au niveau du module a suscité un intérêt considérable dans la communauté scientifique. Dans cette méthode, le processus de formation du modèle est divisé en différents modules. Les sorties sont agrégées pour produire le modèle final. YOLOv7 utilise des canaux de propagation de flux de gradient pour identifier les segments de modèle (modules) qui nécessitent un nouveau paramétrage. Le composant de tête de l'architecture est basé sur le concept de plusieurs têtes. Par conséquent, le chef de file est responsable de la catégorisation finale, tandis que les chefs auxiliaires aident à la procédure de formation21.

Les sorties projetées du modèle sont situées en haut de YOLO. YOLOv7 n'est pas confiné à une seule tête, car il a été inspiré par la supervision profonde, une stratégie de formation commune pour les réseaux de neurones profonds. Il a plusieurs têtes pour accomplir tout ce qu'il désire. La tête responsable de la sortie ultime est la tête principale, tandis que la tête utilisée pour soutenir l'entraînement dans les couches intermédiaires est appelée tête auxiliaire. Pour améliorer la formation des réseaux de neurones profonds, un mécanisme d'attribution d'étiquettes a été conçu pour attribuer des étiquettes souples en fonction des résultats de prédiction du réseau et de la vérité terrain. L'attribution d'étiquettes traditionnelle utilise directement la vérité terrain pour créer des étiquettes dures basées sur des critères prédéfinis. À l'inverse, les étiquettes souples fiables utilisent des méthodes de calcul et d'optimisation qui tiennent compte à la fois de la vérité terrain et de la qualité et de la distribution des résultats de prédiction27,36. La figure 5 montre la vue d'ensemble du diagramme d'architecture réseau de YOLOv7.

Schéma d'architecture réseau de YOLOv7. L'ensemble de l'architecture contient 4 modules généraux, à savoir un terminal d'entrée, une dorsale, une tête et une prédiction, ainsi que 5 composants de base : CBS, MP, ELAN, ELAN-H.

(a) La couche de normalisation par lots est directement couplée à la couche de convolution. Cela indique que la moyenne et la variance normalisées du lot sont ajoutées à l'écart et au poids de la couche de convolution lors de l'étape d'inférence, (b) en utilisant la technique d'addition et de multiplication de l'acquisition de connaissances dans YOLO-R en combinaison avec la carte des caractéristiques de convolution, il peut être standardisé en vecteurs par pré-calcul dans l'étape d'inférence à combiner avec l'écart et le poids de la couche de convolution précédente ou suivante, et (c) enfin, la détection d'objets en temps réel peut considérablement augmenter la précision de détection sans affecter le coût de calcul, de sorte que la vitesse et la précision dans la plage de 5 à 160 FPS surpassent tous les détecteurs d'objets connus, permettant une réponse rapide et une prédiction précise de la détection d'objets27,36.

L'outil d'étiquetage a été utilisé pour étiqueter la boîte de vérité terrain des images. Le nombre et la distribution des balises de l'ensemble de données ont été comptés, et le résultat est illustré à la Fig. 6. Cette figure représente un affichage des attributs de l'ensemble de données augmenté. Pour améliorer la généralisation du modèle formé, l'augmentation des données améliore les informations dans l'ensemble de données de formation, maintient la diversité des données et ajuste la direction de distribution dans les images d'origine. L'axe des ordonnées sur la figure 6a représente la quantité d'étiquettes, tandis que l'axe des abscisses représente leurs noms. L'ensemble de données contient des quantités suffisantes d'échantillons de feuilles de thé infectées et malades. La figure 6b affiche la distribution des balises. L'ordonnée 'y' est le rapport d'abscisse du centre de l'étiquette à la hauteur de l'image, et l'abscisse 'x' est le rapport d'abscisse du centre de l'étiquette à la largeur de l'image. Les données sont uniformément et finement dispersées et focalisées au milieu de l'image, comme le montre la figure. L'ensemble de données sur les feuilles de thé contient des étiquettes pour les boîtes de vérité au sol (Fig. 6c). Les statistiques de taille de toutes les bordures d'image sont présentées dans cette figure. Un algorithme de regroupement génère des boîtes d'ancrage de tailles variées basées sur toutes les boîtes de vérité au sol dans l'ensemble de données, garantissant que la taille initiale de la boîte d'ancrage de l'algorithme correspond à la taille prévue des feuilles de thé malades. Dans ce cas, la boîte de vérité terrain fait référence aux boîtes annotées autour de chaque cas de maladie de la feuille de thé dans l'ensemble de données de formation. Au cours de la formation, l'algorithme YOLOv7 a utilisé ces boîtes de vérité terrain pour apprendre à détecter des objets de classes similaires dans de nouvelles images. La majeure partie des boîtes aux limites de la figure 6c est centrée. L'algorithme YOLOv7 utilise des boîtes d'ancrage pour aider à localiser les objets, et le placement de ces boîtes d'ancrage a pour résultat potentiel que le système trouve plus fréquemment des choses vers le centre de l'image.

Étiquettes et distribution des étiquettes, (a) nombre et classe d'étiquettes dans l'ensemble de données, (b) emplacement des étiquettes dans les images de l'ensemble de données et taille des étiquettes dans l'ensemble de données, (c) boîte de vérité terrain.

L'ensemble de données original et le réseau YOLOv7 ont été utilisés pour construire le modèle de détection des maladies dans les feuilles de thé. L'efficacité du modèle développé est illustrée par des graphiques, qui montrent différentes mesures de la performance des ensembles d'apprentissage et de validation. Trois types distincts de perte sont représentés sur la figure 7 : la perte de boîte, la perte d'objectivité et la perte de catégorisation. La perte de boîte évalue la capacité d'un algorithme à localiser précisément le centre d'un objet et à estimer sa boîte englobante. En tant que métrique, "l'objectivité" quantifie la probabilité qu'un objet puisse être trouvé dans une zone donnée. Une objectivité élevée suggère qu'il est probable qu'un objet se trouve à l'intérieur de la région visible d'une image. La perte de classification indique la précision avec laquelle un algorithme peut déterminer la classe appropriée d'un objet. Au cours de 0 à 100 itérations, les paramètres du modèle varient considérablement. Lorsque le nombre d'itérations est passé de 100 à 150, les performances du modèle ont été continuellement optimisées. La perte d'objectivité est négligeable, comme le montre la figure, YOLO v7 donne des valeurs de précision et de rappel plus élevées que K-Means.

Analyse visuelle des indicateurs d'évaluation du modèle (précision, rappel et [email protected] pour le YOLOv7 proposé) pendant la formation.

La précision et le rappel ne peuvent être considérés comme les seuls déterminants de la performance d'un modèle car ils pourraient induire en erreur sur la performance du modèle41. Par conséquent, nous utilisons des courbes supplémentaires pour évaluer les performances du modèle, comme indiqué sur la Fig. 8. la courbe précision-rappel est représentée sur la Fig. 8a, et b illustre le graphique de précision (P) par rapport à la confiance (C). La figure 8d représente le graphique rappel (R) versus confiance (C).

Courbe des résultats d'exploitation ; (a) courbe de précision-rappel, (b) courbe de précision-confiance, (c) courbe de confiance F1 et (d) courbe de rappel-confiance.

Il a été observé qu'à mesure que le rappel augmente, le taux de variation de la précision augmente également. Si la courbe du graphique est proche du coin supérieur droit, cela montre qu'à mesure que le rappel augmente, la baisse de précision n'est pas facilement visible et les performances globales du modèle ont augmenté. Cependant, avec un seuil de 0,5, la mAP pour toutes les classes est élevée et modélise avec précision 97,3 % des détections. Cela indiquait sur la figure 8 que l'algorithme pouvait être utilisé pour détecter et classer les objets d'intérêt de manière appropriée. Cependant, au début des phases de formation et de test, l'algorithme a rencontré des difficultés en raison du manque de données représentatives, mais il a régulièrement convergé au fur et à mesure que d'autres périodes de formation étaient terminées.

La matrice de confusion de la Fig. 9 met en contraste la classification réelle avec la classification projetée. Cela peut illustrer où le modèle devient confus lors de la classification ou de la distinction entre deux classes. Ceci est représenté par une matrice deux par deux, avec un axe représentant la vérité réelle ou terrain et l'autre représentant la vérité du modèle ou la prédiction. Dans un scénario parfait, 1,00 couvrirait la diagonale du coin supérieur gauche de la matrice au coin inférieur droit. Le pourcentage de classification approprié pour chaque type de feuille de thé malade selon le modèle semble être le suivant :

Pourriture noire 97%

Brûlure brune 97%

Rouille des feuilles 97%

Araignée rouge 98%

Thé moustique 97%

Diagramme de matrice de confusion pour le modèle YOLO-T proposé.

En plus d'afficher le pourcentage de résultats d'algorithme correctement classés, il est également possible de voir combien de fois la classification a été erronée. La pourriture noire, la brûlure brune et la rouille des feuilles ont été classées à tort comme rouille des feuilles, pourriture noire et moustique du thé, respectivement, 2 % du temps, ce qui a causé le plus de confusion lors de la classification des maladies.

Les résultats expérimentaux comprenaient quatre résultats : vrai positif (TP), qui fait référence à la détection précise de feuilles malades marquées individuellement ; faux positif (FP), qui fait référence à un objet qui a été incorrectement identifié comme une feuille de thé malade ; vrai négatif (TN) qui fait référence à des échantillons négatifs avec une prédiction négative du système ; et faux négatif (FN) qui fait référence aux feuilles de thé malades qui ont été négligées. Le modèle YOLOv7 de cette étude actuelle est comparé à YOLOv5 pour confirmer sa précision et son efficacité. Le tableau 2 compare la mAP, la précision, le rappel et le temps d'entraînement entre YOLOv7 et YOLOv5. La précision fait référence à la proportion de maladies des feuilles de thé correctement reconnues sur toutes les images. Le taux de rappel est la proportion de feuilles malades reconnues avec précision dans l'ensemble de données. Le seul défi que nous avons rencontré avec le modèle YOLOv7 était qu'il fallait plus de temps pour s'entraîner, alors que le modèle YOLOv5 en demandait moins. Les autres paramètres (tableau 2) sont supérieurs à YOLOv5. Les mesures statistiques proéminentes sont calculées à l'aide des équations suivantes35.

Sur la base de l'analyse et de la comparaison des séries d'expériences précédentes, il est possible de conclure que l'algorithme YOLOv7 amélioré présenté dans cette étude offre des avantages significatifs en termes de précision de détection. Malgré une légère baisse de vitesse, cette méthode peut toujours répondre aux exigences en temps réel des applications pratiques de détection des maladies des feuilles de thé.

Les résultats de la visualisation de l'identification des cinq types de maladies des feuilles de thé sont présentés à la Fig. 10. Cette figure démontre que l'algorithme proposé détecte et identifie avec précision les feuilles malades en construisant une boîte englobante parfaite. L'apprentissage en profondeur gagne en popularité parmi les chercheurs pour les applications d'agriculture de précision telles que la détection des maladies, le contrôle des mauvaises herbes, la reconnaissance des fruits, etc.45,46,47. En identifiant la partie malade, les agriculteurs peuvent utiliser des mesures plus efficaces pour lutter contre la maladie. La précision, le rappel et la précision moyenne de ce modèle YOLOv7 actuel sont meilleurs que les autres méthodes de détection d'objets mentionnées dans l'étude de Hu et al.48. Il a utilisé une technique d'apprentissage en profondeur pour identifier et déterminer la gravité de la maladie de la brûlure des feuilles de thé48. Ses résultats étaient supérieurs à ceux d'autres algorithmes de détection d'objets ; cependant, la performance des travaux actuels est largement supérieure aux tentatives précédentes.

Quelques exemples de résultats de détection de maladies des feuilles de thé à l'aide de YOLOv7. Les boîtes englobantes consistent en des images de feuilles de thé malades.

En revanche, après avoir examiné les résultats de la même étude48, il a été observé que le YOLOv3, le R-CNN plus rapide et le R-CNN + FPN plus rapide semblaient nécessiter moins de temps d'entraînement48. La comparaison des résultats de différents algorithmes de détection des maladies des feuilles de thé avec les résultats obtenus dans cette étude est présentée dans le tableau 3. On peut observer que l'exactitude et la précision de la détection sont beaucoup plus élevées que dans d'autres études similaires, où les chercheurs ont utilisé différents algorithmes.

Les ravageurs du thé peuvent être divisés en trois groupes en fonction de l'endroit où ils attaquent ou infestent, y compris les ravageurs des racines tels que la larve du hanneton, la punaise farineuse des racines et le nématode; les ravageurs des tiges tels que le foreur des trous de tir et le foreur du caféier ; et les ravageurs des feuilles tels que la punaise du moustique du thé, le ver de chasse, la chenille de l'arpenteuse, la tordeuse, les thrips et tous les acariens. Les maladies causées par la punaise du moustique du thé et l'araignée rouge sont parmi les menaces les plus importantes du Bangladesh pour la production de thé, confirmées et conclues par d'autres études54.

Les cibles des maladies du thé sont souvent petites et le contexte complexe de la zone de culture entrave facilement la procédure de leur détection intelligente. De plus, plusieurs maladies du thé sont concentrées sur toute la surface des feuilles, ce qui nécessite des déductions à partir de données mondiales55. En ce qui concerne la tâche de détection des maladies foliaires, où la précision était le facteur essentiel, le modèle YOLO-T proposé est supérieur aux autres modèles. Nous avons découvert que certaines boîtes englobantes sont trop grandes pour la zone de la maladie. Le nom libellé et la prédiction n'apparaissent pas ensemble dans l'image. En effet, le nom est configuré pour être excessivement long, ce qui le fait apparaître incomplet dans les images. Une annotation correcte, un étiquetage et l'utilisation d'un nom plus court et significatif ont résolu le problème. La boîte englobante doit être dessinée près de la zone de détection requise de l'objet. Cette technique peut aider l'algorithme d'apprentissage à apprendre uniquement dans la boîte englobante. Un autre avantage de cette approche est sa résolution d'image. La taille d'entrée d'image de 640 × 640 fournit le degré maximum de précision56. Plus la taille de l'image d'entrée est grande, plus la quantité d'informations qu'elle contient est importante.

Le seul inconvénient que nous avons découvert lors de l'utilisation du modèle YOLOv7 était sa longue période de formation. Nous avons comparé notre version (YOLO-T) à la version la plus récente (YOLOv5). Une nouvelle étude a révélé que YOLOv7 nécessitait moins de temps de formation que YOLOv5, ce qui contredit nos résultats47. Cette variation de la durée de la formation peut être due à l'utilisation d'unités de traitement graphique (GPU). L'utilisation d'un GPU normal peut ralentir le temps d'entraînement de YOLOv7.

À l'exception du temps d'entraînement, le résultat d'une étude récente55 qui a également utilisé la version YOLOv5 pour la maladie de la feuille de thé était cohérent avec ceux de la présente recherche. YOLOv5 utilise une structure Focus qui nécessite moins de mémoire CUDA (Compute Unified Device Architecture), une couche réduite et une meilleure propagation vers l'avant et vers l'arrière. Il utilise également une dorsale darknet avec un réseau partiel à plusieurs étages. D'autre part, E-ELAN dans YOLOv7 utilise la cardinalité d'expansion, de mélange et de fusion pour obtenir la capacité d'améliorer constamment la capacité d'apprentissage du réseau sans endommager la route de gradient. Selon une étude, YOLOv7 a une inférence plus élevée en termes de vitesse et de précision par rapport à d'autres algorithmes tels que YOLOR, PP-YOLOE, YOLOX, Scaled-YOLOv4 et YOLOv5 (r6.1)57. Dans plusieurs recherches récentes, l'exactitude et la précision de détection de l'algorithme YOLOv7 ont également été évaluées et rapportées47,56,58,59,60.

L'identification et la détection des maladies sont essentielles pour améliorer la production de thé lors de la plantation et de la récolte. À l'ère actuelle de forte utilisation de la technologie informatique, un système amélioré de détection et d'identification des maladies dans les plantations de thé d'un pays en développement comme le Bangladesh pourrait avoir un potentiel substantiel pour l'économie du pays, en plus d'améliorer le mode de vie aisé des agriculteurs. Dans cette étude de recherche, le modèle YOLOv7 (YOLO-T) est utilisé pour détecter et identifier différents types de maladies des feuilles de thé dans les plantations de thé. Le modèle proposé a détecté automatiquement cinq types distincts de maladies des feuilles de thé et a différencié les feuilles saines des feuilles malades. La précision globale de la classification est de 97,30 %, tandis que le rappel et la précision sont respectivement de 96,4 % et 96,7 %. Le modèle suggéré surpasse les modèles les plus récents rapportés dans la section de discussion concernant la précision globale, l'exactitude et le rappel. Cependant, dans cette étude, les performances de YOLOv7 sont comparées à la version précédente, YOLOv5, et il a été observé que YOLOv7 surpasse. Même si les résultats sont favorables, l'approche proposée est limitée par la durée de la période de formation. Les futurs chercheurs peuvent utiliser la normalisation par lots pour les prochains projets afin d'accélérer le processus de formation et d'améliorer la précision. L'expansion de l'ensemble de données est l'un des axes du développement futur. Les recherches futures devraient rassembler des échantillons de feuilles de thé endommagées de diverses variétés, stades de fertilité et angles de prise de vue sur le terrain pour compiler un grand ensemble de données.

De plus, la qualité de l'image peut être améliorée en utilisant des techniques d'étiquetage plus avancées. Le modèle est compatible avec les appareils Internet des objets (IoT) et s'applique aux applications du monde réel. Ce cadre peut être légèrement modifié pour tenir compte des maladies des cultures supplémentaires et adapté à d'autres plantes. L'algorithme proposé peut être implémenté sur une application mobile pour faciliter à tout moment l'accès des agriculteurs à une aide pour leurs cultures. Cette recherche facilite la détection précoce de nombreuses maladies des feuilles de thé, ce qui peut contribuer à leur détection rapide. Des études ultérieures peuvent être axées sur la collecte d'informations sur la température et l'humidité, les informations sur les spores pathogènes, les informations sur le sol et les paramètres environnementaux via plusieurs capteurs, fusionner des données multi-sources et construire un modèle d'alerte précoce des maladies des feuilles de thé basé sur la fusion multi-données pour réaliser une alerte précoce lorsque la maladie ne se produit pas.

Les ensembles de données utilisés et analysés au cours de l'étude actuelle sont disponibles auprès de l'auteur correspondant sur demande.

Sanlier, N., Gokcen, BB & Altuğ, M. Consommation de thé et corrélations des maladies. Tendances Food Sci. Technol. 78, 95–106. https://doi.org/10.1016/j.tifs.2018.05.026 (2018).

Article CAS Google Scholar

Verma, HV Café et thé : signification socioculturelle, contexte et image de marque. Asie-Pac. J.Manag. Rés. Innov. 9(2), 157–170. https://doi.org/10.1177/2319510X13504283 (2013).

Article Google Scholar

Debnath, B., Haldar, D. & Purkait, MK Utilisation potentielle et durable des déchets de thé : un examen de la situation actuelle et des tendances futures. J. Environ. Chim. Ing. 9(5), 106179. https://doi.org/10.1016/j.jece.2021.106179 (2021).

Article CAS Google Scholar

Hu, G., Yang, X., Zhang, Y. et Wan, M. Identification des maladies des feuilles de thé à l'aide d'un réseau neuronal à convolution profonde amélioré. Soutenir. Calcul. Inf. Syst. 24, 100353. https://doi.org/10.1016/j.suscom.2019.100353 (2019).

Article Google Scholar

Ahmed, JU et al. Sécurité alimentaire et diversité alimentaire des travailleurs du thé de deux jardins de thé dans le grand district de Sylhet au Bangladesh. GéoJournal 86(2), 1015–1027. https://doi.org/10.1007/s10708-019-10108-z (2021).

Article Google Scholar

Mathew, MP & Mahesh, TY Détection de maladies foliaires dans une plante de poivron à l'aide de YOLOv5. SIViP 16(3), 841–847. https://doi.org/10.1007/s11760-021-02024-y (2022).

Article Google Scholar

Bao, W., Fan, T., Hu, G., Liang, D. & Li, H. Détection et identification des maladies des feuilles de thé basées sur AX-RetinaNet. Sci. Rep. 12(1), 1–16. https://doi.org/10.1038/s41598-022-06181-z (2022).

Article CAS Google Scholar

Zhao, Y., Gong, L., Huang, Y. & Liu, C. Un examen des techniques clés de contrôle basé sur la vision pour les robots de récolte. Calcul. Électron. Agric. 127, 311–323. https://doi.org/10.1016/j.compag.2016.06.022 (2016).

Article Google Scholar

Wang, Q., Nuske, S., Bergerman, M. et Singh, S. Estimation automatisée du rendement des cultures pour les vergers de pommiers. Dans Experimental Robotics (pp. 745–758). Springer, (2013). https://doi.org/10.1007/978-3-319-00065-7_50.

Castelao Tetila, E., Brandoli Machado, B., Belete, NAS, Guimaraes, DA & Pistori, H. Identification des maladies foliaires du soja à l'aide d'images de véhicules aériens sans pilote. IEEE Geosci. Capteur à distance. Lett. 14, 2190–2194. https://doi.org/10.1109/LGRS.2017.2743715 (2017).

Annonces d'article Google Scholar

Maniyath, SR, et al. Détection des maladies des plantes à l'aide de l'apprentissage automatique. Dans Actes de la Conférence internationale 2018 sur les innovations de conception pour le contrôle de communication par calcul 3Cs, ICDI3C 2018, Bangalore, Inde, 25-26 avril 2018 ; pages 41 à 45 (2018).

Ferentinos, KP Modèles d'apprentissage en profondeur pour la détection et le diagnostic des maladies des plantes. Calcul. Électron. Agric. 145, 311–318. https://doi.org/10.1016/j.compag.2018.01.009 (2018).

Article Google Scholar

Fuentes, A., Yoon, S., Kim, SC et Park, DS Un détecteur robuste basé sur l'apprentissage en profondeur pour la reconnaissance en temps réel des maladies et des ravageurs des plants de tomates. Capteurs 17(9), 2022. https://doi.org/10.3390/s17092022 (2017).

Article ADS PubMed PubMed Central Google Scholar

Tiwari, V., Joshi, RC & Dutta, MK Réseaux de neurones convolutifs denses basés sur la détection et la classification des maladies des plantes multiclasses à l'aide d'images de feuilles. Écol. Inf. 63, 101289. https://doi.org/10.1016/j.ecoinf.2021.101289 (2021).

Article Google Scholar

Hossain, MS, Mou, RM, Hasan, MM, Chakraborty, S. & Abdur Razzak, M. Reconnaissance et détection des maladies des feuilles de thé à l'aide d'une machine à vecteurs de support. Dans Actes—2018 IEEE 14th International Colloquium on Signal Processing and its Application, CSPA 2018 150–154 (Institute of Electrical and Electronics Engineers Inc., 2018). https://doi.org/10.1109/CSPA.2018.8368703

Sun, Y., Jiang, Z., Zhang, L., Dong, W. & Rao, Y. Extraction de la carte de saillance des maladies foliaires basée sur SLIC_SVM du théier. Calcul. Électron. Agric. 157, 102–109. https://doi.org/10.1016/j.compag.2018.12.042 (2019).

Article Google Scholar

Hu, G., Wei, K., Zhang, Y., Bao, W. et Liang, D. Estimation de la gravité de la brûlure des feuilles de thé dans des images de scènes naturelles. Précis. Agric. 22(4), 1239–1262. https://doi.org/10.1007/s11119-020-09782-8 (2021).

Article CAS Google Scholar

Krizhevsky, A., Sutskever, I. et Hinton, GE Classification Imagenet avec réseaux de neurones à convolution profonde. Dans Actes de la 25e Conférence internationale sur les systèmes de traitement de l'information neuronale - Volume 1, NIPS'12, pages 1097–1105, États-Unis, 2012. Curran Associates Inc. (2012)

Simonyan, K., & Zisserman, A. Réseaux convolutionnels très profonds pour la reconnaissance d'images à grande échelle. arXiv preprint arXiv:1409.1556 (2014).

Szegedy, C., et al. Aller plus loin avec les circonvolutions. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance des formes (pp. 1–9) (2015)

Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J. et Wojna, Z. Repenser l'architecture initiale de la vision par ordinateur. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance des formes (pp. 2818–2826) (2016).

He, K., Zhang, X., Ren, S. et Sun, J. Apprentissage résiduel profond pour la reconnaissance d'images. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance des formes (pp. 770–778) (2016).

Huang, G., Liu, Z., Van Der Maaten, L. et Weinberger, KQ Réseaux convolutionnels densément connectés. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance des formes (pp. 4700–4708) (2017).

Xue, Z., Xu, R., Bai, D. & Lin, H. YOLO-tea : Un modèle de détection des maladies du thé amélioré par YOLOv5. Forêts 14(2), 415. https://doi.org/10.3390/f14020415 (2023).

Article Google Scholar

Wang, L., & Yan, WQ Détection des feuilles d'arbres basée sur l'apprentissage en profondeur. Dans Symposium international sur la géométrie et la vision (pp. 26–38). Springer, Cham (2021). https://doi.org/10.1007/978-3-030-72073-5_3

Jiang, P., Ergu, D., Liu, F., Cai, Y. & Ma, B. Un examen des développements de l'algorithme Yolo. Proc. L'informatique. Sci. Rév. 199 , 1066–1073. https://doi.org/10.1016/j.procs.2022.01.135 (2022).

Article Google Scholar

Wang, CY, Bochkovskiy, A., & Liao, HYM YOLOv7 : Le sac de cadeaux entraînable établit un nouvel état de l'art pour les détecteurs d'objets en temps réel. prétirage arXiv arXiv:2207.02696 (2022). https://doi.org/10.48550/arXiv.2207.02696

Pham, V., Nguyen, D. et Donan, C. Détection et classification des dommages routiers avec YOLOv7. prétirage arXiv arXiv:2211.00091 (2022). https://doi.org/10.48550/arXiv.2211.00091

Yang, F., Zhang, X. et Liu, B. Suivi d'objet vidéo basé sur YOLOv7 et DeepSORT. prétirage arXiv arXiv:2207.12202 (2022). https://doi.org/10.48550/arXiv.2207.12202

Kuznetsova, A., Maleva, T. et Soloviev, V. Détection des pommes dans les vergers à l'aide de YOLOv3 et YOLOv5 en images générales et en gros plan. Dans Symposium international sur les réseaux de neurones (pp. 233–243). Springer, Cham (2020). https://doi.org/10.1007/978-3-030-64221-1_20

Yan, B., Fan, P., Lei, X., Liu, Z. & Yang, F. Une méthode de détection de cibles de pomme en temps réel pour le robot de cueillette basée sur YOLOv5 amélioré. Remote Sens. 13(9), 1619. https://doi.org/10.3390/rs13091619 (2021).

Annonces d'article Google Scholar

Kasper-Eulaers, M. et al. Détection des poids lourds dans les aires de repos en conditions hivernales à l'aide de YOLOv5. Algorithmes 14(4), 114. https://doi.org/10.3390/a14040114 (2021).

Article Google Scholar

Chen, Y., Zhang, C., Qiao, T., Xiong, J. et Liu, B. Détection de navires dans des images de détection optique basées sur YOLOv5. Dans la douzième conférence internationale sur les graphiques et le traitement d'images (ICGIP 2020) (Vol. 11720, pp. 102–106). SPIE (2021). https://doi.org/10.1117/12.2589395

Yang, G., et al. Système de reconnaissance de masque facial avec YOLOV5 basé sur la reconnaissance d'image. En 2020, 6e Conférence internationale de l'IEEE sur l'informatique et les communications (ICCC) (pp. 1398–1404). IEEE (2020). https://doi.org/10.1109/ICCC51575.2020.9345042

Jubayer, F. et al. Détection de moisissures sur la surface des aliments à l'aide de YOLOv5. Courant. Rés. Sci alimentaire. 4, 724–728. https://doi.org/10.1016/j.crfs.2021.10.003 (2022).

Article Google Scholar

Jiang, K. et al. Un algorithme de détection d'objet YOLOv7 amélioré par le mécanisme d'attention pour l'estimation du nombre de canards de chanvre. Agriculture 12(10), 1659. https://doi.org/10.3390/agriculture12101659 (2022).

Article Google Scholar

Zhao, H., Zhang, H., & Zhao, Y. Yolov7-sea : Détection d'objets d'images d'UAV maritimes basées sur un yolov7 amélioré. Dans Actes de la conférence d'hiver IEEE/CVF sur les applications de la vision par ordinateur (pp. 233–238) (2023).

Patel, K., Bhatt, C. & Mazzeo, PL Détection automatique des navires basée sur l'apprentissage profond : une étude expérimentale utilisant des images satellites. J. Imagerie. 8(7), 182. https://doi.org/10.3390/jimaging8070182 (2022).

Article PubMed PubMed Central Google Scholar

Sun, YX, Zhang, YJ, Wei, ZH & Zhou, JT Une méthode de classification et de localisation des défauts de surface dans les bandes d'acier laminées à chaud basée sur YOLOV7. Metalurgie 62(2), 240–242 (2023).

Google Scholar

Wang, Y., Wang, H. & Xin, Z. Modèle de détection efficace des défauts de surface des bandes d'acier basé sur YOLO-V7. Accès IEEE https://doi.org/10.1109/ACCESS.2022.3230894 (2022).

Article PubMed PubMed Central Google Scholar

Zheng, J., Wu, H., Zhang, H., Wang, Z. & Xu, W. Algorithme de détection de défaut d'isolant basé sur YOLOv7 amélioré. Capteurs 22(22), 8801. https://doi.org/10.3390/s22228801 (2022).

Article ADS PubMed PubMed Central Google Scholar

Tran, DNN, Pham, LH, Nguyen, HH et Jeon, JW Suivi de véhicules multi-caméras à l'échelle de la ville basé sur YOLOv7. En 2022, Conférence internationale IEEE sur l'électronique grand public-Asie (ICCE-Asie) (pp. 1–4). IEEE (2022). https://doi.org/10.1109/ICCE-Asia57006.2022.9954809

Sun, KX et Cong, C. Recherche sur la détection des anomalies thoraciques basée sur l'algorithme YOLOv7 amélioré. En 2022, Conférence internationale IEEE sur la bioinformatique et la biomédecine (BIBM) (pp. 3884–3886). IEEE (2022). https://doi.org/10.1109/BIBM55620.2022.9995687

Bayram, AF, Gurkan, C., Budak, A. & Karataş, H. Un modèle de détection et de prédiction basé sur l'apprentissage en profondeur assisté par une intelligence artificielle explicable pour les maladies rénales. EUR. J. Sci. Technol. 40, 67–74 (2022).

Google Scholar

Gallo, I. et al. Détection d'objets en profondeur des mauvaises herbes cultivées : performances de YOLOv7 sur un ensemble de données de cas réels à partir d'images de drones. Remote Sens. 15(2), 539. https://doi.org/10.3390/rs15020539 (2023).

Annonces d'article Google Scholar

Chen, J. et al. Un modèle multi-échelle léger et efficace basé sur YOLOv7 : appliqué au verger d'agrumes. Plantes 11(23), 3260. https://doi.org/10.3390/plants11233260 (2022).

Article PubMed PubMed Central Google Scholar

Zhou, Y. et al. Positionnement actif adaptatif des points de cueillette des fruits de Camellia oleifera : traitement d'image classique et algorithme de fusion YOLOv7. Appl. Sci. 12(24), 12959. https://doi.org/10.3390/app122412959 (2022).

Article CAS Google Scholar

Hu, G., Wang, H., Zhang, Y. & Wan, M. Détection et analyse de la gravité de la brûlure des feuilles de thé basées sur l'apprentissage en profondeur. Calcul. Électr. Eng.. 90, 107023. https://doi.org/10.1016/j.compeleceng.2021.107023 (2021).

Article Google Scholar

Gayathri, S., Wise, DJW, Shamini, PB et Muthukumaran, N. Analyse d'images et détection de la maladie des feuilles de thé à l'aide de l'apprentissage en profondeur. En 2020 Conférence internationale sur l'électronique et les systèmes de communication durables (ICESC) (pp. 398–403). IEEE (2020). https://doi.org/10.1109/ICESC48915.2020.9155850

Latha, RS, et al. Détection automatique des maladies des feuilles de thé à l'aide d'un réseau de neurones à convolution profonde. En 2021 Conférence internationale sur la communication informatique et l'informatique (ICCCI) (pp. 1–6). IEEE (2021). https://doi.org/10.1109/ICCCI50826.2021.9402225

Datta, S. & Gupta, N. Une nouvelle approche pour la détection de la maladie des feuilles de thé à l'aide d'un réseau neuronal profond. Proc. Calcul. Sci. 218, 2273-2286. https://doi.org/10.1016/j.procs.2023.01.203 (2023).

Article Google Scholar

Chen, J., Liu, Q. & Gao, L. Reconnaissance visuelle de la maladie des feuilles de thé à l'aide d'un modèle de réseau neuronal convolutif. Symétrie 11(3), 343. https://doi.org/10.3390/sym11030343 (2019).

Annonces d'article Google Scholar

Mukhopadhyay, S., Paul, M., Pal, R. & De, D. Détection des maladies des feuilles de thé à l'aide de la segmentation d'images multi-objectifs. Multimed. Outils Appl. 80, 753–771. https://doi.org/10.1007/s11042-020-09567-1 (2021).

Article Google Scholar

Mamun, MSA Production de thé au Bangladesh : du buisson à la tasse. Agro. Vol. Prod. Technol. https://doi.org/10.1007/978-981-32-9151-5_21 (2019).

Article Google Scholar

Lin, J., Bai, D., Xu, R. & Lin, H. TSBA-YOLO : Un modèle amélioré de détection des maladies du thé basé sur les mécanismes d'attention et la fusion des caractéristiques. Forêts 14(3), 619. https://doi.org/10.3390/f14030619 (2023).

Article Google Scholar

Chen, J., Bai, S., Wan, G. & Li, Y. Recherche sur la méthode de détection des défauts basée sur YOLOv7 pour les feux de circulation automobile. Syst. Sci. Contrôle Ing. 11(1), 2185916. https://doi.org/10.1080/21642583.2023.2185916 (2023).

Article Google Scholar

Yung, NDT, Wong, WK, Juwono, FH et Sim, ZA Détection de casque de sécurité à l'aide de l'apprentissage en profondeur : mise en œuvre et étude comparative à l'aide de YOLOv5, YOLOv6 et YOLOv7. En 2022 Conférence internationale sur l'énergie verte, l'informatique et les technologies durables (GECOST) (pp. 164–170). IEEE. (2022). https://doi.org/10.1109/GECOST55694.2022.10010490

Hu, B., Zhu, M., Chen, L., Huang, L., Chen, P. et He, M. Méthode d'identification des espèces d'arbres basée sur YOLOv7 amélioré. En 2022, 8e Conférence internationale de l'IEEE sur le cloud computing et les systèmes intelligents (CCIS) (pp. 622–627). IEEE. (2022). https://doi.org/10.1109/CCIS57298.2022.10016392

Liu, X., & Yan, WQ Estimation de la distance liée au véhicule à l'aide de YOLOv7 personnalisé. In Image and Vision Computing: 37th International Conference, IVCNZ 2022, Auckland, Nouvelle-Zélande, 24-25 novembre 2022, Revised Selected Papers (pp. 91-103). Cham: Springer Nature Suisse. (2023). https://doi.org/10.1007/978-3-031-25825-1_7

Yuan, W. Comparaison de précision de YOLOv7 et YOLOv4 concernant la qualité d'annotation d'image pour la classification des bourgeons floraux de pommier. Agro-ingénierie. 5(1), 413–424. https://doi.org/10.3390/agriengineering5010027 (2023).

Article Google Scholar

Télécharger les références

Les auteurs tiennent à remercier le professeur Dr. Fuad Mondal du Département d'entomologie de l'Université agricole de Sylhet, pour son soutien dans la validation de l'identité des maladies des feuilles de thé.

Ce travail de recherche est partiellement financé par la University Grants Commission (UGC) du Bangladesh à travers le Sylhet Agricultural University Research System (SAURES) (Project Id. SAURES-UGC-21-22-82). L'organisme de financement est financé pour l'exécution d'expériences, de travaux sur le terrain et en laboratoire, la collecte de matériel, etc. Aucun financement n'a été reçu pour la rédaction et la publication de cet article. Les auteurs ont couvert les frais d'écriture, de révision, d'édition et de publication de ce manuscrit.

Ces auteurs ont contribué à parts égales : Md. Janibul Alam Soeb et Md. Fahad Jubayer.

Département de l'énergie et des machines agricoles, Université agricole de Sylhet, Sylhet, 3100, Bangladesh

Maryland Janibul Alam Soeb, Tahmina Akanjee Tarin et Muhammad Rashed Al Mamun

Département d'ingénierie et de technologie alimentaires, Université agricole de Sylhet, Sylhet, 3100, Bangladesh

Maryland Fahad Jubayer

Département de construction agricole et de génie environnemental, Université agricole de Sylhet, Sylhet, 3100, Bangladesh

Fahim Mahafuz Ruhad

Global Center for Environmental Remediation (GCER), College of Engineering, Science and Environment, Université de Newcastle, Callaghan, NSW, 2308, Australie

Aney Parven & Islam Md. Meftaoul

Département de chimie agricole, Université agricole Sher-e-Bangla, Dhaka, 1207, Bangladesh

Aney Parven & Islam Md. Meftaoul

Génie pétrolier et chimique, Faculté d'ingénierie, Universiti Teknologi Brunei, Bandar Seri Begawan, BE1410, Brunei Darussalam

Nabisab Moujawar Moubarak

Faculté des technologies intégrées, Université de Brunei Darussalam, Bandar Seri Begawan, BE1410, Brunei Darussalam

Soni Lanka Karri

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

MJAS et MFJ ont contribué à parts égales à la conceptualisation, la programmation, la rédaction, la révision et la finalisation du manuscrit. FMR a fait le codage et a participé à la formation et à la mise à l'essai du modèle. TAT et MRAM ont apporté une contribution significative à la collecte de données et à la rédaction d'examens. AP, NMM et SLK ont contribué à la rédaction, à la révision et à l'édition. IMM a contribué au traitement des données, à la rédaction, à la révision et à la finalisation du manuscrit. Tous les auteurs ont lu et contribué au manuscrit. Tous les auteurs acceptent d'être responsables des aspects du travail en s'assurant que les questions liées à l'exactitude ou à l'intégrité de toute partie du travail sont étudiées et résolues de manière appropriée.

Correspondance à Md. Janibul Alam Soeb, MD. Fahad Jubayer, Nabisab Mujawar Mubarak ou Islam Md. Meftaoul.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Soeb, MJA, Jubayer, MF, Tarin, TA et al. Détection et identification des maladies des feuilles de thé basées sur YOLOv7 (YOLO-T). Sci Rep 13, 6078 (2023). https://doi.org/10.1038/s41598-023-33270-4

Télécharger la citation

Reçu : 23 février 2023

Accepté : 11 avril 2023

Publié: 13 avril 2023

DOI : https://doi.org/10.1038/s41598-023-33270-4

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.