Bệnh cây trồng là một trong những nguyên nhân chính ảnh hưởng đến sản lượng và chất lượng nông nghiệp. Trong đó, nhiều loại bệnh trên cây cà chua có thể được nhận biết thông qua các dấu hiệu xuất hiện trên lá. Tuy nhiên, việc nhận dạng chính xác bệnh đòi hỏi kiến thức chuyên môn và kinh nghiệm, gây khó khăn cho người nông dân trong quá trình canh tác. Do đó, việc phát triển các hệ thống tự động sử dụng trí tuệ nhân tạo để nhận dạng và phân loại bệnh thực vật là hướng tiếp cận hiệu quả, góp phần hỗ trợ sản xuất nông nghiệp thông minh.

Cà chua là một loại rau được tiêu thụ rộng rãi trên thế giới cung cấp nguồn dinh dưỡng tốt với nhiều vitamin và khoáng chất. Tuy nhiên, cây cà chua dễ bị nhiễm nhiều loại bệnh khác nhau do các tác nhân như nấm, vi khuẩn, vi rút gây ảnh hưởng đến năng suất của cây cà chua. Trong đó, nhiều bệnh có thể quan sát dấu hiệu trên lá. Việc xác định chính xác bệnh của cây cà chua là một nhiệm vụ thách thức đối với các nhà nông học. Việc nhận dạng và phân loại bệnh thực vật nói chung và cây cà chua nói riêng đóng vai trò quan trọng trong lĩnh vực nông nghiệp, quyết định đến chất lượng, số lượng và năng suất của cây trồng. Do vậy, cần phát triển một hệ thống phân loại tự động bệnh của cây, từ đó giúp nông dân chuẩn đoán bệnh ở giai đoạn đầu để can thiệp kịp thời nhằm ngăn ngừa tổn thất lớn.

Học sâu là một nhánh của trí tuệ nhân tạo được thiết kế bao gồm nhiều lớp, đã đạt được các kết quả vượt trội so với phương pháp học máy truyền thống cho các bài toán nhận dạng ảnh. Mạng học sâu có khả năng tự học từ dữ liệu. Học sâu có rất nhiều ứng dụng trong đó có các ứng dụng nông nghiệp thông minh như các bài toán nhận dạng cây, phân lớp bệnh của cây.

Mạng nơ-ron tích chập (CNN) là một thuật toán học sâu mạnh mẽ để phát hiện và phân loại hình ảnh, tự động trích xuất và phân tích các đặc điểm của hình ảnh. Do đó, ứng dụng của CNN đang tăng vọt trong hầu hết các lĩnh vực. Mạng CNN là mạng rất thành công trong nhận dạng, phân loại hình ảnh, các mạng điển hình như AlexNet, GoogleNet, VGG, DenseNet.

Hiện cũng có nhiều nghiên cứu được thực hiện với bài toán phân loại bệnh cây cà chua, mỗi nghiên cứu tiếp cận một cách khác nhau. Trong nghiên cứu, mạng AlexNet được sử dụng để trích chọn đặc trưng, sau đó sử dụng bộ phân lớp k láng giềng gần nhất áp dụng trên cơ sở dữ liệu tự thu thập gồm 450 ảnh trên 9 lớp đạt độ chính xác là 76,1%. Đối với cơ sở dữ liệu cây cà chua trong tập PlantVillage, bài báo đề xuất một mạng CNN tự xây dựng đạt độ chính xác 91,2%; bài báo thực hiện trên 4 lớp cây cà chua sử dụng mạng MobileNetV2 đạt độ chính xác 94,34%.

Một số kiến trúc CNN chứa một số lượng lớn các lớp sâu với số lượng tham số cực lớn, chúng cần khả năng tính toán cao để cập nhật các tham số này dẫn đến sự gia tăng độ phức tạp của phân loại. Mục tiêu của nghiên cứu là áp dụng một kiến trúc mạng CNN nhẹ, kết hợp với phương pháp học chuyển giao, lựa chọn các siêu tham số tốt, phân chia tập dữ liệu, cân bằng các lớp dữ liệu để phân lớp các bệnh của cây cà chua mà vẫn đạt độ chính xác cao. Phương pháp sẽ làm giảm đáng kể nhu cầu các nguồn lực tính toán lớn và xây dựng mô hình.

Mô hình được huấn luyện sử dụng kỹ thuật học chuyển giao, với một số cấu hình siêu tham số, chiên lược phân chia dữ liệu và kỹ thuật cân bằng dữ liệu. Chương trình được thiêt kê để phân loại mười lớp: chín lớp tương ứng với các bệnh lá cà chua khác nhau và một lớp đại diện cho cây khỏe mạnh, sử dụng hình ảnh từ tập dữ liệu PlantVillage. Kêt quả cho thấy MobileNet V2 có thể phân loại bệnh với độ chính xác tốt nhất đạt 95,73%, mở ra hướng triển khai hệ thống giám sát bệnh cây cà chua tự động trên các thiêt bị di động với tốc độ suy diễn nhanh và chi phí tính toán thấp.

Kết quả nghiên cứu cho thấy tiềm năng lớn của việc ứng dụng học sâu trong lĩnh vực nông nghiệp thông minh, đặc biệt là trong việc phát hiện và phân loại bệnh cây trồng. Hệ thống này có thể hỗ trợ người nông dân phát hiện sớm bệnh trên cây cà chua, từ đó đưa ra các biện pháp xử lý kịp thời, góp phần nâng cao năng suất, chất lượng nông sản và giảm thiểu thiệt hại trong sản xuất nông nghiệp. Trong tương lai, mô hình có thể được mở rộng để nhận dạng nhiều loại cây trồng và bệnh khác nhau, góp phần thúc đẩy ứng dụng trí tuệ nhân tạo trong lĩnh vực nông nghiệp số.