PhD Student
Professor
The digitalization of crop production has placed leaf-image-based disease recognition among the top research priorities. This paper presents a compact and reproducible system designed for rapid deployment in cloud environments and subsequent adaptation. The proposed approach combines multitask learning (simultaneous prediction of plant species and disease), physiologically motivated channel processing, and error-tolerant data preparation procedures. Experiments were conducted on the New Plant Diseases Dataset (Augmented). To accelerate training, six of the most represented classes were selected, with up to 120 images per class. Images were resized to 192×192 and augmented with geometric and color transformations as well as soft synthetic lesion patches. The ExG greenness index was embedded into the green channel of the input image. The architecture was based on EfficientNet-B0; the proposed HiP²-Net model included two classification heads for disease and species. Training was carried out in two short stages, with partial unfreezing of the base network’s tail in the second stage. Evaluation employed standard metrics, confusion matrices, test-time augmentation, and integrated gradients maps for explainability. On the constructed subset, the multitask HiP²-Net consistently outperformed the frozen baseline model in accuracy and aggregate metrics. Synthetic lesions reduced background sensitivity and improved detection of mild infections, while incorporating ExG enhanced leaf tissue separation under variable lighting. Integrated gradient maps highlighted leaf veins and necrotic spots, strengthening trust in predictions and facilitating expert interpretation. The proposed scheme combines the practicality of cloud deployment with simple, physiology-inspired techniques. Adopting the “species + disease” setup together with ExG preprocessing and soft synthetic lesions improves robustness to lighting, background, and geometric variations, and makes it easier to transfer models to new image collections.
Цифровизация растениеводства выдвинула распознавание болезней по изображениям листьев в число приоритетных задач. В работе представлена компактная и воспроизводимая система, пригодная для быстрого развёртывания в облачной среде и последующей адаптации. Подход сочетает многозадачное обучение (одновременное предсказание вида растения и болезни), физиологически мотивированную обработку каналов и устойчивые к ошибкам процедуры подготовки данных. Эксперименты выполнены на наборе New Plant Diseases Dataset (Augmented). Для ускорения выбраны шесть наиболее представленных классов; по каждому использовано до 120 изображений. Данные масштабировались до 192×192 и дополнялись геометрическими и цветовыми преобразованиями, а также мягкими синтетическими пятнами поражения. Индекс зелени ExG внедрялся в зелёный канал входного изображения. Архитектурной основой служила EfficientNet-B0: предложенная HiP²-Net имела две классификационные головы для болезни и вида. Обучение проводилось в два коротких этапа с частичной разморозкой хвоста базовой сети на втором этапе. Оценивание включало стандартные метрики, матрицы ошибок, тестовую аугментацию при выводе и анализ карт интегрированных градиентов для объяснимости. На сформированном подмножестве многозадачная HiP²-Net стабильно превосходила замороженную базовую модель по доле верных ответов и сводным метрикам. Синтетические пятна снижали чувствительность к фону и помогали распознавать слабые поражения, а внедрение ExG улучшало выделение тканей листа при переменном освещении. Карты интегрированных градиентов показывали фокус на прожилках и очагах некроза, что укрепляло доверие к предсказаниям и облегчало экспертную интерпретацию. Предлагаемая схема соединяет практичность облачного запуска и простые приёмы, опирающиеся на физиологию листа. Рекомендуется использовать постановку «вид+болезнь», включать ExG в предобработку и добавлять мягкие синтетические пятна: эти шаги повышают устойчивость к освещению, фону и геометрическим вариациям и упрощают перенос на новые коллекции изображений.