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

ABSTRACT

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.

RESUMEN

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.