Automatic detection and classification of disease in citrus fruit and leaves using a customized CNN based model
Detección y clasificación automática de enfermedades en frutas y hojas de cítricos utilizando un modelo basado en CNN personalizado
Bol. latinoam. Caribe plantas med. aromát; 23 (2), 2024
Publication year: 2024
India's commercial advancement and development depend heavily on agriculture. A common
fruit grown in tropical settings is citrus. A professional judgment is required while analyzing an illness
because different diseases have slight variati
ons in their symptoms. In order to recognize and classify
diseases in citrus fruits and leaves, a customized CNN
-
based approach that links CNN with LSTM was
developed in this research. By using a CNN
-
based method, it is possible to automatically differenti
ate
from healthier fruits and leaves and those that have diseases such fruit blight, fruit greening, fruit scab,
and melanoses. In terms of performance, the proposed approach achieves 96% accuracy, 98% sensitivity,
96% Recall, and an F1
-
score of 92% for ci
trus fruit and leave identification and classification and the
proposed method was compared with KNN, SVM, and CNN and concluded that the proposed CNN
-
based
model is more accurate and effective at identifying illnesses in citrus fruits and leaves.
El avance y desarrollo comercial de India dependen en gran medida de la agricultura. Un tipo
de fruta comunmente cultivada en en
tornos tropicales es el cítrico. Se requiere un juicio profesional al
analizar una enfermedad porque diferentes enfermedades tienen ligeras variaciones en sus síntomas. Para
reconocer y clasificar enfermedades en frutas y hojas de cítricos, se desarrolló e
n esta investigación un
enfoque personalizado basado en CNN que vincula CNN con LSTM. Al utilizar un método basado en
CNN, es posible diferenciar automáticamente entre frutas y hojas más saludables y aquellas que tienen
enfermedades como la plaga de frutas
, el verdor de frutas, la sarna de frutas y las melanosis. En términos
de desempeño, el enfoque propuesto alcanza una precisión del 96%, una sensibilidad del 98%, una
recuperación del 96% y una puntuación F1 del 92% para la identificación y clasificación d
e frutas y hojas
de cítricos, y el método propuesto se comparó con KNN, SVM y CNN y se concluyó que el modelo
basado en CNN propuesto es más preciso y efectivo para identificar enfermedades en frutas y hojas de
cítricos.