Pendahuluan:
Pembelajaran mesin adalah cara yang ampuh untuk memecahkan masalah pertanian seperti prediksi hasil panen, rekomendasi dan optimalisasi tanaman, deteksi penyakit tanaman dan hama, dll., dan ini membantu petani karena kesalahan diagnosis penyakit pertanian dapat menyebabkan penggunaan pestisida yang salah dan wabah penyakit yang tidak diobati. sehingga penting untuk mengetahui dan mengobati penyakit daun sejak dini. Perbedaan hasil dan terkadang kurangnya hasil yang memuaskan ini disebabkan oleh tingginya kesamaan penyakit, sehingga memerlukan penggunaan data ekstensif untuk pelatihan dan teknik modern untuk mengklasifikasikan penyakit. Proyek ini berfokus pada deteksi penyakit daun apel, dan tujuan keseluruhan penelitian ini adalah untuk mengidentifikasi berbagai penyakit pada daun apel secara akurat menggunakan pemrosesan gambar dan pembelajaran mendalam. Untuk mencapai hal ini, penelitian ini melibatkan pemrosesan gambar, ekstraksi fitur, dan teknik pembelajaran mesin. Selain tujuan utama, tujuan khusus berikut dapat ditonjolkan:
Tujuan 1: Mendeteksi daun apel yang sakit, dan dalam hal ini kami fokus pada tiga penyakit:
1: keropeng; 2: karat; 3: berbagai penyakit; dan juga memiliki citra yang sehat.
Obj2: Gunakan model pembelajaran mendalam.
Obj3: Mencari nilai akurasi tertinggi dan nilai loss terendah.
Obj4: Uji model kami dan temukan hasil yang baik.
Struktur Proyek:
Proyek ini disusun dalam langkah-langkah berikut:
1/ Membaca dan menganalisis data: Pada langkah ini, kita fokus membaca data yang kita miliki; file pertama berisi gambar, dan yang kedua adalah file csv.
Kemudian menganalisis datanya dengan mengetahui jumlah gambar pada setiap langkahnya, dan kita dapat membuat grafik agar lebih efektif.
Hasil proyek kami ditunjukkan pada diagram lingkaran ini:
Akhirnya kami mencetak gambarnya agar bisa melihat dan mengetahui seperti apa penyakit daunnya.
2/ Pra-pemrosesan gambar: Pemrosesan gambar adalah langkah penting dalam banyak aplikasi pembelajaran mesin yang menangani data visual. Ini dapat digunakan untuk mengekstrak fitur-fitur penting dari gambar, menghilangkan noise, meningkatkan kualitas gambar, dan meningkatkan kemampuan interpretasi data.
Selain itu, pemrosesan gambar merupakan alat penting dalam pembelajaran mesin untuk pra-pemrosesan dan menyiapkan data visual untuk analisis dan pemodelan.
Dalam proyek kami, kami menggunakan Image Denoising, Deteksi tepi menggunakan filter Sobel, Segmentasi gambar, dan segmentasi data.
Penghilangan Gambar: Teknik penghilangan gambar bertujuan untuk menghilangkan noise sekaligus menjaga informasi berguna dalam gambar. Hal ini dapat dilakukan dengan menerapkan filter atau algoritma matematika yang menganalisis gambar dan menghilangkan noise yang tidak diinginkan.
Deteksi tepi menggunakan Sobel fiter:Deteksi tepi adalah teknik pemrosesan gambar umum yang digunakan untuk mengidentifikasi transisi tajam dalam kecerahan gambar atau nilai warna. Filter Sobel adalah filter deteksi tepi populer yang digunakan untuk menghitung gradien fungsi intensitas gambar.
Segmentasi Gambar:Tujuan segmentasi gambar adalah membagi gambar menjadi wilayah yang bermakna dan homogen yang dapat dianalisis, dikenali, atau dimanipulasi lebih lanjut. Segmen yang dihasilkan harus memiliki relevansi persepsi atau semantik, seperti objek, wilayah, batas, atau tekstur. Segmentasinya dapat didasarkan pada berbagai fitur gambar, seperti warna, tekstur, intensitas, bentuk, atau gerak.
Augmentasi Data:Augmentasi data berguna dalam skenario ketika jumlah data yang tersedia terbatas, atau kumpulan data tidak seimbang, yaitu beberapa kelas memiliki contoh yang lebih sedikit dibandingkan yang lain. Dengan menerapkan teknik augmentasi data, kita dapat menghasilkan sampel baru yang mirip dengan sampel asli tetapi dengan variasi yang berbeda, sehingga membuat kumpulan data lebih seimbang dan meningkatkan ketahanan model.
3) Mempersiapkan kumpulan data untuk pembelajaran mendalam:
*Menangani kumpulan data yang tidak seimbang: Analisis data eksplorasi menunjukkan bahwa kelas berbagai penyakit merupakan minoritas, sehingga menciptakan ketidakseimbangan antar distribusi kelas. Untuk mengatasi hal ini, algoritma SMOTE akan digunakan untuk meningkatkan kelas minoritas.
Hasil penerapan algoritma SMOTE ditunjukkan pada diagram lingkaran di bawah ini:
*Ubah ukuran dan normalkan gambar: kami mengubah ukuran semua gambar menjadi 224x 224
*Pisahkan kumpulan data menjadi pelatihan dan pengujian.
4/ Menggunakan model CNN sederhana
5/ Gunakan model pembelajaran transfer:model yang kami gunakan adalah: VGG16, InceptionV3, ResNet50, ResNet101, dan DenseNet.
6/Menguji model dengan menggunakan kumpulan data baru
7/ Buat matriks korelasi.
Hasil dan diskusi:
Model CNN sederhana menunjukkan hasil yang baik dalam pelatihan, dengan kerugian validasi sebesar 0,0013 dan akurasi validasi 100%. namun saat kami uji, hasilnya tidak bagus; akurasi tes adalah 50%.
Dalam hal ini, kami memutuskan untuk menggunakan model pembelajaran transfer karena model tersebut telah dilatih sebelumnya dan akan menunjukkan hasil tes yang lebih baik.
Kami memilih lima model dan mengubah parameter, seperti kecepatan pembelajaran, fungsi pengoptimal, dan ukuran batch, untuk mengidentifikasi hasil yang baik.
Dalam semua kasus, kami menemukan DenseNet lebih baik dengan memberikan kerugian validasi sebesar 0,187 dan akurasi validasi sebesar 97,18%. Setelah itu kami menguji modelnya dan mendapatkan hasil akurasi yang baik yaitu 90%.
Kesimpulan:
Kami melakukan analisis terhadap lima model pembelajaran transfer untuk klasifikasi dan deteksi penyakit apel, menilai kinerjanya, dan menghasilkan wawasan.
DenseNet memberikan tingkat akurasi dan keandalan klasifikasi dan deteksi penyakit tertinggi, menjadikannya pilihan terbaik untuk kumpulan data ini.
Teknik pembelajaran mendalam dapat membantu petani dan peneliti mengidentifikasi penyakit sejak dini, memfasilitasi intervensi yang cepat, dan mengurangi dampak penyakit terhadap hasil panen apel. Studi dan pengembangan lebih lanjut diperlukan untuk menerapkan sistem pendukung keputusan yang cerdas.
