Lightweight CNN-Based Real-Time Disease Detection for Tomato Crops in Nepal

Shyam Karki

Diplomová práce

Lehká CNN pro detekci chorob rajčat v reálném čase v Nepálu

Anotace:

Zemědělství je v Nepálu klíčovým sektorem, který významně přispívá k zaměstnanosti a potravinové bezpečnosti. Rajské jablko patří k nejrozšířenějším pěstovaným plodinám; je však vysoce náchylné k různým chorobám, které mohou drasticky snížit výnos i kvalitu. Včasná detekce těchto chorob je nezbytná pro efektivní hospodaření s plodinami. Tradiční metody detekce chorob se silně spoléhají na manuální kontrolu, která je časově náročná, vyžaduje odborné znalosti a pro zemědělce v odlehlých oblastech je často nedostupná. Tento výzkum navrhuje odlehčený systém založený na hlubokém učení pro detekci chorob listů rajčat v reálném čase pomocí konvolučních neuronových sítí (CNN), spolu s konceptuální složkou pro doporučení léčby. V rámci studie byly vyvinuty a vyhodnoceny tři modely: vlastní CNN, model založený na přenosovém učení (transfer learning) MobileNetV2 a doladěný (fine-tuned) model MobileNetV2. Modely byly trénovány na datovém souboru PlantVillage a vyhodnoceny pomocí metriky přesnosti (accuracy), preciznosti (precision), úplnosti (recall), F1-skóre a konfuzních matic. Nejvyššího výkonu dosáhl doladěný model MobileNetV2 s testovací přesností 93,44 %, což prokazuje účinnost přenosového učení v kombinaci s doladěním. Výsledky ukazují, že odlehčené předtrénované modely poskytují efektivní rovnováhu mezi přesností a výpočetní náročností. Byly však pozorovány určité limity v zobecnění pro reálný svět, zejména při použití snímků jiných než cílových rostlin. Trénovaný model byl úspěšně nasazen a testován v mobilním prostředí, kde prokázal schopnost provádět predikce v reálném čase s praktickou využitelností. Navrhovaný systém vykazuje silný potenciál pro integraci do mobilních aplikací, které by pomohly zemědělcům při rozhodování v reálném čase.

Abstract:

Agriculture is a critical sector in Nepal, contributing significantly to employment and food security. Tomato is one of the most widely cultivated crops; however, it is highly vulnerable to various diseases that can drastically reduce yield and quality. Early detection of such diseases is essential for effective crop management. Traditional disease detection methods rely heavily on manual inspection, which is time-consuming, requires expert knowledge, and is often inaccessible to farmers in rural areas. This research proposes a lightweight deep learning-based system for real-time tomato leaf disease detection using Convolutional Neural Networks (CNNs), along with a conceptual treatment recommendation component. Three models were developed and evaluated: a custom CNN, a MobileNetV2-based transfer learning model, and a fine-tuned MobileNetV2 model. The models were trained on the PlantVillage dataset and evaluated using accuracy, precision, recall, F1-score, and confusion matrices. The fine-tuned MobileNetV2 achieved the highest performance, with a test accuracy of 93.44%, demonstrating the effectiveness of transfer learning combined with fine-tuning. The results demonstrate that lightweight pretrained models combined with fine-tuning provide an effective balance between accuracy and computational efficiency. However, limitations were observed in real-world generalization, particularly when non-target plant images were used. The trained model was also deployed and tested in a mobile environment, demonstrating its ability to perform real-time predictions with practical applicability. The proposed system shows strong potential for integration into mobile applications to assist farmers in real-time decision-making.

Klíčová slova

hluboké učení, detekce v reálném čase, zemědělství, detekce chorob rajčat, CNN, MobileNetV2, přenosové učení, doladění

Keywords

deep learning, agriculture, Tomato disease detection, CNN, MobileNetV2, transfer learning, fine-tuning, real-time detection

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 12. 5. 2026

Obhajoba závěrečné práce

• Obhajoba proběhla 18. 6. 2026
• Vedoucí: prof. Ing. Radim Farana, CSc. FEng.
• Oponent: Šimon Bilík, Ph.D.

Mendelova univerzita v Brně

Provozně ekonomická fakulta

Magisterský studijní program / specializace:
Open Informatics / Zaměření pro Otevřenou informatiku v AJ