Plant Pest Detection via Deep-Learning Models

Ing. Dušan Šuľan

Master's thesis

Abstract:

This diploma thesis addresses the detection of pests using deep learning models. The aim was to train deep learning networks for accurate and fast pest detection. The evaluation was based on Precision, Recall, and network speed indicator. The results show that the fastest of the tested networks is Scaled YOLOv4 CSP Large and the most accurate is Faster R-CNN with Resnet152. Basic network augmentations improved accuracy by 10%. In the final part, an evaluation of the quality of the dataset, evaluation of models, and further possible improvements are formulated

Abstract:

Tato diplomová práce řeší detekci škůdců pomocí modelů hlubokého učení. Cílem bylo natrénovat sítě hlubokého učení pro přesnou a rychlou detekci škůdců. Vyhodnocení probíhalo na základě ukazatelů Precision, Recall a rychlosti sítě. Výsledky ukazují, že nejrychlejší z testovaných síťí je Scaled YOLOv4 CSP Large a nejpřesnejší Faster R-CNN s Resnet152. Základní augmentace sítí zlepšili přesnost o 10%. V závěru je zformu-lováno zhodnocení quality datasetu, vyhodnocení modelů a zlepšení, které mohou pomoc zlepšit predikci škůdců v budoucnu

Keywords

hluboké učení, počítačové videní, object detection, detekce škůdců, Faster R-CNN, YOLO, Scaled -YOLO

Language used: English

Date on which the thesis was submitted / produced: 17. 5. 2021

Thesis defence

• Supervisor: doc. Ing. Zuzana Komínková Oplatková, Ph.D.

Tomas Bata University in Zlín

Faculty of Applied Informatics

Master programme / field:
Engineering Informatics / Information Technologies