NGHIÊN CỨU VÀ SO SÁNH CÁC MÔ HÌNH PHÁT HIỆN ĐỐI TƯỢNG TRONG BÀI TOÁN PHÁT HIỆN BỆNH TRÊN LÁ CÀ PHÊ
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.15892Tóm tắt
Bệnh và sâu hại trên lá cà phê có thể làm giảm năng suất và chất lượng cây trồng nếu không được phát hiện kịp thời. Nghiên cứu này đánh giá các mô hình phát hiện đối tượng nhẹ trong bài toán phát hiện bốn nhóm trên tập dữ liệu BRACOL, gồm Cercospora, Miner, Phoma và Rust. Trước khi huấn luyện, các nhãn theo định dạng YOLO được kiểm tra bằng quy trình kiểm soát chất lượng tự động nhằm xác minh sự tương ứng giữa ảnh và nhãn, định dạng dòng nhãn, tính hợp lệ của hộp giới hạn và các hộp giới hạn nghi vấn. Bốn mô hình YOLO cơ sở gồm YOLOv8n, YOLO11n, YOLOv8s và YOLO11s được huấn luyện và đánh giá với ba hạt giống ngẫu nhiên độc lập. Ngoài ra, biến thể YOLO11n-MPDIoU được khảo sát nhằm đánh giá khả năng cải thiện độ chính xác định vị thông qua điều chỉnh hàm mất mát hồi quy hộp giới hạn mà không làm tăng kích thước mô hình. Kết quả cho thấy YOLO11n-MPDIoU đạt mAP50-95 trung bình cao nhất, 0,5295 ± 0,0190, trong khi vẫn duy trì kích thước mô hình nhỏ 5,1939 MB. YOLO11s đạt mAP50-95 tương đương, 0,5254 ± 0,0100, nhưng kích thước mô hình tăng lên 18,2656 MB. Kết quả theo từng lớp cho thấy Miner và Phoma được phát hiện tốt hơn so với Cercospora và Rust. Nhìn chung, các phát hiện cho thấy việc tinh chỉnh hàm mất mát theo hướng định vị có thể mang lại sự cải thiện khiêm tốn cho bài toán phát hiện bệnh lá cà phê bằng mô hình nhẹ trong điều kiện dữ liệu hiện tại, mặc dù mức độ cải thiện so với YOLO11n ban đầu là nhỏ và cần phải xác thực thêm trên các bộ dữ liệu thực địa lớn hơn và đa dạng hơn.Lượt tải
Tài liệu tham khảo
J. Jepkoech, D. M. Mugo, B. K. Kenduiywo, and E. C. Too, “Arabica coffee leaf images dataset for coffee leaf disease detection and classification,” Data in Brief, vol. 36, 2021, doi: 10.1016/j.dib.2021.107142.
J. Dantas et al., “A comprehensive review of the coffee leaf miner Leucoptera coffeella (Lepidoptera: Lyonetiidae) - a major pest for the coffee crop in Brazil and others neotropical countries,” Insects, vol. 12, no. 12, 2021, doi: 10.3390/insects12121130.
A. Majeed, F. Faridoon, M. Irfan, and A. Rashid, “Deep learning approaches for precision agriculture: weed and cotton crop classification using YOLO and faster RCNN,” in Proceedings of the 2024 International Conference on IT and Industrial Technologies (ICIT), 2024, pp. 1-6.
A. Vijayakumar and S. Vairavasundaram, “YOLO-based object detection models: a review and its applications,” Multimedia Tools and Applications, vol. 83, pp. 83535-83574, 2024.
A. T. Khan, S. M. Jensen, and A. R. Khan, “Advancing precision agriculture: A comparative analysis of YOLOv8 for multi-class weed detection in cotton cultivation,” Artificial Intelligence in Agriculture, vol. 15, no. 2, pp. 182-191, 2025.
L. Gao, H. Cao, H. Zou, and H. Wu, “DMN-YOLO: a robust YOLOv11 model for detecting apple leaf diseases in complex field conditions,” Agriculture, vol. 15, no. 11, 2025, Art. no. 1138.
A. Sharma, V. Kumar, and L. Longchamps, “Comparative performance of YOLOv8, YOLOv9, YOLOv10, YOLOv11 and Faster R-CNN models for detection of multiple weed species,” Smart Agricultural Technology, vol. 9, 2024, Art. no. 100648.
S. Yu and B. Xiang, “Enhancing rice disease detection through optimized faster R-CNN architecture,” Scientific Bulletin, Series C, vol. 87, no. 4, pp. 110-125, 2025.
J. Fragoso, C. Silva, T. Paixão, A. B. Alvarez, O. C. Júnior, R. Florez, F. Palomino-Quispe, L. G. Savian, and P. A. Trazzi, “Coffee-leaf diseases and pests detection based on YOLO Models,” Applied Sciences, vol. 15, no. 9, 2025, Art. no. 5040.
R. A. Krohling, G. J. M. Esgario, and J. A. Ventura, “BRACOL: A Brazilian Arabica Coffee Leaf Images Dataset for Identification and Quantification of Coffee Diseases and Pests,” Mendeley Data, V1, 2019, doi: 10.17632/yy2k5y8mxg.1.
S. Ma and Y. Xu, “MPDIoU: A loss for efficient and accurate bounding box regression,” arXiv:2307.07662, 2023, doi: 10.48550/arXiv.2307.07662.
A. Abulizi, J. Ye, H. Abudukelimu, and W. Guo, “DM-YOLO: Improved YOLOv9 model for tomato leaf disease detection,” Frontiers in Plant Science, vol. 15, 2025, Art. no. 1473928.
S. Sonawane and N. N. Patil, “Comparative performance analysis of YOLO object detection algorithms for weed detection in agriculture,” Intelligent Decision Technologies, vol. 19, no. 1, pp. 1-12, 2024.
C. Li, Y. Li, X. Chen and Y. Zhang, “Concerning Imbalance and bounding box loss to detect small targets in remote sensing,” IEEE Sensors Journal, vol. 24, no. 17, pp. 27631-27639, 2024.
R. Jain, S. Zaware, N. Kacholia, H. Bhalala, and O. Jagtap, “Advancing underwater trash detection: harnessing mask R-CNN, YOLOv8, EfficientDet-D0 and YOLACT,” 2nd International Conference on Sustainable Computing and Smart Systems (ICSCSS), 2024, pp. 1314-1325.
Z. Yang and Y. Liu, “A steel surface defect detection method based on improved RetinaNet,” Scientific Reports, vol. 15, 2025, Art. no. 6045.
K. Song et al., “Research on high-precision target detection technology for tomato-picking robots in sustainable agriculture,” Sustainability, vol. 17, no. 7, 2025, Art. no. 2885.
M. Huang, Y. Liu, L. Zhao, et al., “A lightweight deep neural network model and its applications based on channel pruning and group vector quantization,” Neural Comput. & Applic., vol. 36, pp. 5333-5346, 2024.
