Ethiopia's coffee export accounts for about 34% of all exports for the budget year 2019/2020. Making it the 10th-largest coffee exporter in the world. Coffee diseases cause around 30% loss in production annually. In this paper, we propose an approach for the detection of four classes of coffee leaf diseases, Rust, Miner, Cercospora, and Phoma by using a fast Hue, Saturation, and Value (HSV) color space segmentation and a MobileNetV2 architecture trained by transfer learning. The proposed HSV color segmentation algorithm constitutes of separating the leaf from the background and separating infected spots on the leaf by automatically finding the best threshold value for the Saturation (S) channel of the HSV color space. The algorithm was compared to the YCgCr and k-means algorithms, in terms of Mean Intersection Over Union and F1-Score. The proposed HSV segmentation algorithm outperformed these methods and achieved an MIoU score of 72.13% and an F1 score of 82.54%. The proposed algorithm also outperforms these methods in terms of execution time, taking on average 0.02 s per image for the segmentation of diseased spots from healthy leaf spots. Our MobileNetV2 classifier achieved a 96% average classification accuracy and 96% average precision. The segmentation accuracy and faster execution make the proposed algorithm suitable for deployment on mobile devices and as such has been successfully implemented on smartphones running the Android operating system.

中文翻译：

---

使用强大的基于 HSV 颜色的分割和迁移学习来检测咖啡病，用于智能手机

埃塞俄比亚的咖啡出口约占 2019/2020 预算年度所有出口的 34%。使其成为世界第十大咖啡出口国。咖啡病害每年造成约 30% 的产量损失。在本文中，我们提出了一种通过使用快速色相、饱和度和值 (HSV) 颜色空间分割和通过迁移训练的 MobileNetV2 架构来检测四类咖啡叶病害的方法，即锈病、矿工病、尾孢菌病和粉瘤病。学习。所提出的 HSV 颜色分割算法包括将叶子与背景分离并通过自动找到 HSV 颜色空间的饱和度 (S) 通道的最佳阈值来分离叶子上的感染点。该算法与 YCgCr 和 k-means 算法进行了比较，在平均交叉联合和 F1-Score 方面。所提出的 HSV 分割算法优于这些方法，获得了 72.13% 的 MIoU 分数和 82.54% 的 F1 分数。所提出的算法在执行时间方面也优于这些方法，平均每张图像需要 0.02 秒来从健康叶斑中分割出病斑。我们的 MobileNetV2 分类器实现了 96% 的平均分类准确率和 96% 的平均精度。分割的准确性和更快的执行速度使所提出的算法适合部署在移动设备上，因此已在运行 Android 操作系统的智能手机上成功实施。每张图像 02 秒，用于从健康叶斑中分割病斑。我们的 MobileNetV2 分类器实现了 96% 的平均分类准确率和 96% 的平均精度。分割的准确性和更快的执行速度使所提出的算法适合部署在移动设备上，因此已在运行 Android 操作系统的智能手机上成功实施。每张图像 02 秒，用于从健康叶斑中分割病斑。我们的 MobileNetV2 分类器实现了 96% 的平均分类准确率和 96% 的平均精度。分割的准确性和更快的执行速度使所提出的算法适合部署在移动设备上，因此已在运行 Android 操作系统的智能手机上成功实施。