Application of Machine Learning Technologies for Disease Detection in Indoor and Outdoor Plants

Metadata

Title (english):: Application of Machine Learning Technologies for Disease Detection in Indoor and Outdoor Plants
Alternative title (latvian):: Mašīnmācīšanās tehnoloģiju pielietojums slimību noteikšanai telpaugos un ārtelpas augos
Scientific work type:: Bakalaura darbs
Creator:: Joel Mugambwa
Contributor:: Ginta Majore, zinātniskais vadītājs
Contributor:: Gints Jasmonts, recenzents
Format extent (latvian):: 61 lp.
Publisher:: Ventspils: Ventspils Augstskola
Date created:: 2026
Format medium:: Born digital
Language:: english
Abstract (english):: Title of the Thesis: Application of Machine Learning Technologies for Disease Detection in Indoor and Outdoor Plants Author: Joel Mugambwa Supervisor: Dr.sc.ing. Ginta Majore Length of the Thesis: 58 pages, 6 tables, 9 figures, 50 bibliographic references, 1 appendix. Keywords: PLANT DISEASE DETECTION, TRANSFER LEARNING, MOBILENETV2, CONVOLUTIONAL NEURAL NETWORKS, IMAGE CLASSIFICATION Artificial intelligence and computer vision have become transformative technologies across the agricultural sector, enabling automated systems that can perceive, analyse, and diagnose plant conditions at a scale and speed beyond human capability. Among these, deep learning– based image classification has emerged as a particularly powerful tool for translating raw visual data into actionable agronomic decisions. Plant diseases cause up to 40% of global food crop losses annually, with economic damage exceeding USD 220 billion. Existing automated detection systems focus almost exclusively on outdoor crops, leaving indoor plants largely unaddressed. This thesis presents the development and evaluation of a machine learning system for classifying plant diseases across both indoor and outdoor plant species from digital leaf images. A MobileNetV2 convolutional neural network pre-trained on ImageNet was fine-tuned using a two-phase transfer learning protocol on the PlantVillage dataset, comprising 54,306 labelled images across 38 classes from 14 plant species. The model achieved a peak validation accuracy of 96.6%, a final overall validation accuracy of 97.57% across all 38 classes, and a macro-averaged F1-score of 0.9682. The trained model was deployed as a web application named LeafGuard, which accepts user-uploaded leaf photographs and returns the top-three disease predictions enriched with descriptions, prevention strategies, and treatment recommendations in under one second. The results confirm that transfer learning applied to a lightweight CNN architecture provides an effective and deployable solution to the plant disease classification problem, and that research-grade models can be successfully translated into practical diagnostic tools. The results of this thesis have not been published or presented at conferences.
Abstract (latvian):: Darba nosaukums: Mašīnmācīšanās tehnoloģiju pielietojums slimību noteikšanai telpaugos un ārtelpas augos Autors: Joel Mugambwa Zinātniskais vadītājs: Dr.sc.ing. Ginta Majore Darba apjoms: 58 lappuses, 6 tabulas, 9 attēli, 50 bibliogrāfiskie avoti, 1 pielikumi. Atslēgvārdi: AUGU SLIMĪBU NOTEIKŠANA, PĀRNESUMA MĀCĪŠANĀS, MOBILENETV2, KONVOLŪCIJU NEIRONU TĪKLI, ATTĒLU KLASIFIKĀCIJA Mākslīgais intelekts un datorredze ir kļuvuši par transformējošām tehnoloģijām lauksaimniecības nozarē, nodrošinot automatizētas sistēmas, kas spēj uztvert, analizēt un diagnosticēt augu stāvokli ātrumā un mērogā, kas pārsniedz cilvēka iespējas. Dziļās mācīšanās attēlu klasifikācija ir kļuvusi par īpaši efektīvu rīku, kas pārveido vizuālos datus praktiski izmantojamos agronomiskos lēmumos. Augu slimības katru gadu iznīcina līdz 40% no globālās pārtikas ražas, radot ekonomiskus zaudējumus, kas pārsniedz 220 miljardus ASV dolāru. Lielākā daļa esošo automatizēto sistēmu ir paredzētas tikai ārtelpas kultūraugiem, atstājot telpaugus bez pietiekamas uzmanības. Šajā darbā ir pētīta, izstrādāta un izvērtēta mašīnmācīšanās sistēma augu slimību klasifikācijai pēc digitāliem lapu attēliem gan telpaugiem, gan ārtelpas augiem. MobileNetV2 konvolūciju neironu tīkls, kas sākotnēji apmācīts uz ImageNet datu kopas, tika precizēts ar divu fāžu pārnesuma mācīšanās protokolu, izmantojot PlantVillage datu kopu ar 54 306 marķētiem attēliem, kas aptver 38 klases no 14 augu sugām. Modelis sasniedza maksimālo validācijas precizitāti 96,6%, gala kopējo validācijas precizitāti 97,57% visās 38 klasēs un makro vidējo F1 rādītāju 0,9682. Apmācītais modelis tika izvietots kā tīmekļa lietotne LeafGuard, kas pieņem lietotāja augšupielādētus lapu fotoattēlus un mazāk nekā vienas sekundes laikā atgriež trīs visticamākās slimību prognozes ar aprakstiem, profilakses ieteikumiem un ārstēšanas rekomendācijām. Iegūtie rezultāti apstiprina, ka pārnesuma mācīšanās, lietota vieglam CNN arhitektūras modelim, nodrošina efektīvu un izvietojamu risinājumu augu slimību klasifikācijai, un ka pētnieciska līmeņa modeļus var veiksmīgi pārveidot par praktiski pieejamiem diagnostikas rīkiem. Bakalaura darba rezultāti nav publicēti vai prezentēti konferencēs.
Is part of collection:: Academia
Subject:: Bakalaura darbi
Subject:: Ventspils Augstskola. Informācijas tehnoloģiju fakultāte
Subject:: Datorzinātnes
Geographic name:: Ventspils (Latvija)
Object location (*):: Ventspils Augstskola
Date captured:: 18.09.2026
APLIS copyright status:: Protected by rights
APLIS access rights:: This work is protected by copyright and/or neighboring rights. It can be freely used for personal use, scientific research, or self-education. Other uses require permission from the right holder(s).
APLIS statement of rights:: Protected by copyrights - not in commercial circulation
APLIS access notice:: Accessible online (without the ability to download)
Blocked:: Nē
Type group:: Text
Type:: Scientific Work
URI:: https://dom.lndb.lv/data/obj/1744353
RDF data | XML data

Metadata

Available files

Technical files

Please wait