Phát hiện bệnh lá cà phê hai giai đoạn dựa trên tô màu tự giám sát

Abstract

Cà phê là một mặt hàng chủ lực toàn cầu, hỗ trợ sinh kế của hàng triệu người trên thế giới. Việc phát hiện sớm các bệnh thực vật giúp ngăn ngừa thiệt hại lớn, giảm thiểu tổn thất kinh tế và bảo vệ nền kinh tế nông nghiệp của các quốc gia phụ thuộc nhiều vào sản xuất cà phê. Học sâu là phương pháp hiệu quả nhất để phát hiện bệnh thực vật, tuy nhiên vẫn gặp phải những thách thức quan trọng khi dữ liệu gán nhãn bị hạn chế và mô hình không tổng quát tốt trong môi trường thực tế ngoài đồng ruộng. Trong nghiên cứu này, chúng tôi đề xuất một phương pháp hai giai đoạn gồm: loại bỏ nền ảnh bằng mô hình Segment Anything Model 2 kết hợp với cơ chế prompt tự động từ bên ngoài, và huấn luyện tự giám sát bằng tô màu cho nhiệm vụ phân loại bệnh trên lá cà phê. Giai đoạn đầu tập trung tạo ra các ảnh "sạch" bằng cách loại bỏ nhiễu nền, trong khi giai đoạn thứ hai tăng cường khả năng chống nhiễu và khả năng tổng quát của bộ phân loại thông qua học tự giám sát. Phương pháp này không chỉ cải thiện chất lượng dữ liệu đầu vào thông qua việc loại bỏ nền hiệu quả mà quan trọng hơn, còn tăng độ chính xác và khả năng tổng quát của bộ phân loại trong các ứng dụng thực tế, nơi việc phân loại bệnh chính xác là rất quan trọng. Kết quả thực nghiệm cho thấy mô hình tô màu tự giám sát vượt trội hơn so với mô hình gốc, đạt độ chính xác 98,18% và điểm F1 là 98,2%.