Treffer: IDENTIFICATION OF DISEASE IN TOMATO LEAVES USING MACHINE LEARNING CLASSIFIERS AND DIGITAL IMAGES.

Early identification of diseases in crops improves agronomic decision-making and has a positive impact on agricultural production. In this study, we evaluated three machine learning classifiers to identify three diseases in a tomato crop (Solanum lycopersicum) using chromatic characteristics of digital images of leaves, and a computational tool was developed for its practical use. The classifiers were support vector machine (SVM), multilayer perceptron (MLP), and histogram gradient boosting (HGB). The target classes were tomato yellow leaf curl virus (V), the fungus Septoria lycopersici (H), the acarid Tetranychus urticae (A), and healthy leaves (S). The images were preprocessed to eliminate anomalies and the selection algorithm by region was used to obtain pixels of representative color for each target class. The pixels were then transformed from RGB to the HSV color model to create the training database, which consisted of three-color characteristics (H, S and V) and the associated target class. The three classifiers achieved similar prediction performance. According to the Kruskal Wallis test, there were no significant differences (p-value = 0.5117). SVM obtained an overall accuracy (Acc) of 93.3 %, MLP obtained a value of 93.2 %, and HGB of 93.1 %. Moreover, in performance at the class level (diseases), SVM obtained a higher F1 = 96 % in identification of symptoms caused by Septoria lycopersici and a lower F1 = 90 % in identification of symptoms caused by Tetranychus urticae. The computational tool developed, IDENTO v1.0, facilitated identification of the three leaf diseases in tomato based on optimized classifiers and constitutes an option for promoting the use of artificial intelligence in agriculture. [ABSTRACT FROM AUTHOR]

La identificación automática de enfermedades en cultivos agrícolas mejora la toma de decisiones agronómicas y tiene un impacto positivo en la producción agrícola. En este trabajo se evaluaron tres clasificadores de aprendizaje automático para identificar tres enfermedades en el cultivo de tomate (Solanum lycopersicum) a partir de características cromáticas de imágenes digitales de hojas y se desarrolló una herramienta computacional para su uso práctico. Los clasificadores fueron: máquina de soporte vectorial (SVM), perceptrón multicapa (MLP) y potenciación del gradiente (HGB). Las clases objetivo fueron: virus del rizado amarillo de la hoja del tomate (V), hongo Septoria lycopersici (H), ácaro Tetranychus urticae (A) y hojas sanas (S). Las imágenes se preprocesaron para eliminar anomalías y el algoritmo de selección por región se utilizó para obtener pixeles de color representativos de cada clase objetivo. Los pixeles se transformaron de RGB al modelo de color HSV para crear la base de datos de entrenamiento, la cual que consistió en tres características de color (H, S y V) y la clase objetivo asociada. Los tres clasificadores alcanzaron un desempeño de predicción similar. De acuerdo con la prueba de Kruskal Wallis, no presentaron diferencias significativas (p-value = 0.5117). SVM obtuvo una precisión global de clasificación correcta (Acc) de 93.3 %, MLP obtuvo un valor de 93.1 % y HGB de 93.1 %. Además, en el desempeño a nivel de clase (enfermedades), SVM obtuvo mayor puntaje F1 = 96 % para identificar síntomas causados por Septoria lycopersici, y menor puntaje F1 = 90 % para síntomas por Tetranychus urticae. La herramienta computacional desarrollada, IDENTO v1.0, facilita la identificación de las tres enfermedades en hojas de tomate con base en los clasificadores optimizados y constituye una alternativa para promover la utilización de la inteligencia artificial en la agricultura. [ABSTRACT FROM AUTHOR]

Copyright of Agrociencia is the property of Colegio de Postgraduados and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)