Pengenalan
Penggredan buah dan pemeriksaan penyakit, termasuk di Malaysia, lazimnya masih bergantung kepada mata pekerja (pengetahuan am). Kaedah ini perlahan, memenatkan dan hasilnya berbeza antara individu. Dengan kamera yang murah dan telefon pintar yang meluas, kecerdasan buatan (AI), khususnya pembelajaran mendalam (deep learning), kini dikaji untuk menggred buah dan mengesan penyakit secara automatik. Bagi pengeksport dan pengusaha pusat pengumpulan, teknologi ini berpotensi meningkatkan konsistensi gred yang dituntut pasaran eksport (pengetahuan am).
Artikel ini meringkaskan kajian bertajuk “Computer Vision System for Mango Fruit Defect Detection Using Deep Convolutional Neural Network” (Nithya et al., 2022). Objektifnya ialah membangunkan sistem penglihatan komputer berasaskan rangkaian neural konvolusi (CNN) untuk mengesan kecacatan dan mengklasifikasikan kualiti mangga. Abstrak menyebut kepentingan mangga di India, tetapi lokasi kajian tidak dinyatakan secara khusus; sistem diuji menggunakan pangkalan data mangga awam. Kajian sokongan meliputi sistem penggredan pelbagai buah FruitVision (Hayat et al., 2024), pengelasan penyakit daun durian di Thailand (Klangbunrueang et al., 2026), aplikasi Android luar talian untuk penyakit mangga (Ashok dan Vinod, 2021) dan ulasan kaedah AI untuk penyakit buah (Kumari, 2026).
Sorotan Kajian Lepas
Model pembelajaran mendalam memerlukan data yang banyak. Shorten dan Khoshgoftaar (2019) meninjau kaedah penambahan data imej (data augmentation), iaitu penyelesaian ruang data bagi masalah data terhad, termasuk perkembangan terkini dan keputusan pelaksanaannya. Shorten et al. (2021) pula meninjau penambahan data teks, menunjukkan bahawa prinsip yang sama digunakan merentas bidang.
Keupayaan CNN juga telah ditunjukkan dalam bidang lain. Acharya et al. (2017) membangunkan CNN 9 lapisan untuk mengenal pasti secara automatik 5 kategori denyutan jantung dalam isyarat ECG. Paoletti et al. (2017) membentangkan seni bina CNN 3-D baharu untuk mengklasifikasikan imej hiperspektrum menggunakan maklumat spektrum dan ruang, satu pendekatan yang relevan kepada pengimejan hasil pertanian.
Dari sudut teori, Schmidt-Hieber (2020) menganalisis regresi tak berparameter menggunakan rangkaian neural mendalam dengan fungsi pengaktifan ReLU, dan memberi gambaran mengapa rangkaian suapan hadapan berbilang lapisan berprestasi baik dalam amalan. Kumari (2026) menambah bahawa algoritma awal seperti Mesin Vektor Sokongan (SVM) dan Rangkaian Neural Buatan (ANN) menunjukkan hasil yang baik tetapi terhad dalam pengekstrakan ciri dan generalisasi, sebelum CNN meningkatkan ketepatan dengan ketara.
Dapatan Utama
Ketepatan 98% bagi kecacatan mangga. Nithya et al. (2022) menyatakan penggredan mangga secara manual memakan masa, tidak konsisten dan subjektif. Sistem penglihatan komputer berasaskan CNN yang dicadangkan mencapai ketepatan 98% selepas dilatih dan diuji menggunakan pangkalan data mangga yang tersedia secara awam.
FruitVision untuk sembilan jenis buah. Hayat et al. (2024) mencadangkan model FruitVision yang mengatasi model sedia ada, dengan ketepatan 99.42% (epal), 99.50% (pisang), 99.24% (jambu batu), 99.12% (limau nipis), 99.38% (oren), 99.38% (delima), 99.17% (kurma Ajwa), 98.86% (kurma Mabroom) dan 97.96% (mangga), menggunakan pengesahan silang 5 lipatan.
Penyakit daun durian. Klangbunrueang et al. (2026) menghimpunkan 6119 imej daun durian dalam enam kelas: sihat, Colletotrichum, alga, Phomopsis, hawar (blight) dan Rhizoctonia, daripada set data awam dan sampel lapangan. Enam seni bina CNN dibandingkan. ConvNeXt mencapai prestasi tertinggi dengan ketepatan 98.00% dan skor F1 berwajaran 0.98, diikuti ResNet (96.82%) dan DenseNet201 (96.09%), manakala model berorientasikan kecekapan mendatar sekitar 91%. Salah klasifikasi konsisten berlaku antara kelas yang serupa secara visual, iaitu alga, hawar dan Phomopsis.
Aplikasi telefon luar talian. Ashok dan Vinod (2021) menggunakan pembelajaran pindahan (transfer learning) pada CNN pra-latih dengan imej mangga sihat dan berpenyakit yang diambil dalam keadaan terkawal. Model dibenamkan dalam aplikasi telefon pintar supaya diagnosis boleh dibuat tanpa internet. Ketepatan latihan maksimum ialah 98.6% dan ketepatan pengesahan maksimum 96.4%.
Ulasan bidang. Kumari (2026) melaporkan ketepatan CNN mencapai sehingga 98.8% dalam model pengesanan masa nyata bagi penyakit buah mangga, dan menekankan cabaran kepelbagaian set data serta kebolehskalaan model.
| Aplikasi | Model / kaedah | Ketepatan | Sumber |
|---|---|---|---|
| Kecacatan mangga | CNN | 98% | Nithya et al. (2022) |
| Penggredan 9 buah | FruitVision | 97.96–99.50% | Hayat et al. (2024) |
| Penyakit daun durian | ConvNeXt | 98.00% (F1 0.98) | Klangbunrueang et al. (2026) |
| Penyakit mangga, aplikasi luar talian | CNN + pembelajaran pindahan | 96.4% (pengesahan) | Ashok dan Vinod (2021) |
| Penyakit mangga masa nyata | CNN | Sehingga 98.8% | Kumari (2026) |
Perbincangan
Model terbaik dalam kesemua kajian melaporkan ketepatan yang sangat tinggi, antara 96.4% dan 99.5%. Namun, angka ini perlu dibaca dengan berhati-hati. Kajian utama dilatih dan diuji pada pangkalan data awam, manakala kajian aplikasi Android menggunakan imej yang diambil dalam keadaan terkawal. Dalam keadaan sebenar, seperti cahaya yang berubah, buah yang bertindih dan latar belakang yang pelbagai, prestasi lazimnya lebih rendah (pengetahuan am). Kajian durian merupakan pengecualian kerana turut menggunakan sampel lapangan, dan ia menunjukkan bahawa penyakit dengan simptom serupa masih sukar dibezakan.
Perbandingan juga menunjukkan pertukaran antara ketepatan dan kecekapan. Dalam kajian durian, model berorientasikan kecekapan (lebih ringan dan sesuai untuk peranti mudah alih) mendatar sekitar 91%, berbanding 98.00% bagi ConvNeXt. Ini penting jika sistem mahu digunakan pada telefon petani. Pendekatan luar talian Ashok dan Vinod (2021) relevan bagi kawasan ladang yang liputan internetnya lemah.
Carian ini tidak menemui kajian Malaysia, sama ada untuk penggredan durian, nanas atau mangga tempatan, dan tidak menemui kajian talian penggredan di rumah pembungkusan komersial. Bukti durian pula melibatkan penyakit daun, bukan penggredan buah. Jadi, jawapan jujur kepada persoalan tajuk ialah: AI dan kamera berpotensi tinggi, tetapi keberkesanannya di ladang dan rumah pembungkusan Malaysia belum dibuktikan dalam bukti yang dikaji.
Implikasi kepada Pengusaha dan Agensi
1. Bina set data imej tempatan (contohnya durian, mangga dan nanas Malaysia) dalam keadaan lapangan sebenar.
2. Uji sistem AI pada buah sebenar di pusat pengumpulan sebelum menggantikan penggred manusia.
3. Pertimbangkan aplikasi luar talian untuk kawasan ladang tanpa liputan internet.
4. Gunakan AI sebagai alat bantu saringan awal, dengan pengesahan pegawai bagi penyakit yang simptomnya serupa.
5. Galakkan kerjasama universiti, agensi dan pengeksport untuk projek rintis penggredan automatik.
Kesimpulan
Model terbaik berasaskan CNN mencapai ketepatan sekitar 96–99.5% dalam mengesan kecacatan, penyakit dan menggred buah, termasuk 98% bagi kecacatan mangga dan 98.00% bagi penyakit daun durian. Namun, kebanyakan keputusan diperoleh daripada set data terkawal, dan tiada kajian Malaysia ditemui. Pengesahan lapangan tempatan diperlukan sebelum teknologi ini digunakan secara meluas.
Rujukan
1. Nithya, R., Santhi, B., Manikandan, R., et al. (2022). Computer vision system for mango fruit defect detection using deep convolutional neural network. Foods. https://doi.org/10.3390/foods11213483
2. Hayat, A., Morgado-Dias, F., Choudhury, T., et al. (2024). FruitVision: A deep learning based automatic fruit grading system. Open Agriculture. https://doi.org/10.1515/opag-2022-0276
3. Klangbunrueang, R., Chansanam, W., Iam-On, N., et al. (2026). AI-driven durian leaf disease classification using benchmark CNN architectures for precision agriculture. Applied Sciences. https://doi.org/10.3390/app16094062
4. Ashok, V., & Vinod, D. S. (2021). A novel fusion of deep learning and Android application for real-time mango fruits disease detection. Bab buku. https://doi.org/10.1007/978-981-15-5400-1_74
5. Kumari, K. P. (2026). Fruit disease detection using AI: A review of classical and deep learning approaches. Indian Journal of Agricultural Research. https://doi.org/10.18805/ijare.a-6436
6. Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data. https://doi.org/10.1186/S40537-019-0197-0
7. Shorten, C., Khoshgoftaar, T. M., & Furht, B. (2021). Text data augmentation for deep learning. Journal of Big Data. https://doi.org/10.1186/S40537-021-00492-0
8. Acharya, U. R., Oh, S. L., Hagiwara, Y., et al. (2017). A deep convolutional neural network model to classify heartbeats. Computers in Biology and Medicine. https://doi.org/10.1016/J.COMPBIOMED.2017.08.022
9. Paoletti, M. E., Haut, J. M., Plaza, J., et al. (2017). A new deep convolutional neural network for fast hyperspectral image classification. ISPRS Journal of Photogrammetry and Remote Sensing. https://doi.org/10.1016/J.ISPRSJPRS.2017.11.021
10. Schmidt-Hieber, J. (2020). Nonparametric regression using deep neural networks with ReLU activation function. Annals of Statistics. https://doi.org/10.1214/19-AOS1875
Sumber carian: SciSpace Literature Review (mod High Quality), November 2026.
Kata kunci: kecerdasan buatan, pembelajaran mendalam, CNN, penglihatan komputer, penggredan buah, pengesanan penyakit, mangga, durian
