Reconocimiento de enfermedades de cultivos de pocas inyecciones utilizando metaaprendizaje agnóstico del modelo de...

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• Las enfermedades de los cultivos amenazan la seguridad alimentaria mundial, lo que requiere una detección precisa y oportuna.
• El aprendizaje profundo para el reconocimiento de enfermedades de los cultivos requiere grandes conjuntos de datos, que a menudo no están disponibles en la práctica.
• El aprendizaje a cuestas aborda el desafío de los modelos de formación con datos limitados.

Objetivo del estudio:

• Introducir un nuevo enfoque de aprendizaje de pocos disparos, SWE-MAML, para entrenar modelos de reconocimiento de enfermedades de cultivos con tamaños de muestra mínimos.
• Integrar el aprendizaje conjunto con el metaaprendizaje agnóstico del modelo (MAML) para mejorar el rendimiento del aprendizaje de pocos disparos.

Principales métodos:

• Desarrolló el marco de metaaprendizaje agnóstico del modelo conjunto ponderado por secuencia (SWE-MAML).
• Empleó meta-aprendizaje para entrenar secuencialmente a los estudiantes de base y combinó sus predicciones a través de la suma ponderada.
• Aprendizaje conjunto integrado dentro del marco MAML para capacitar a múltiples clasificadores.

Principales resultados:

• SWE-MAML logró un rendimiento competitivo frente a los algoritmos de última generación en el conjunto de datos de PlantVillage.
• SWE-MAML mejoró la precisión en un 3,75% -8,59% en comparación con el MAML original.
• El rendimiento óptimo se observó con 5-7 estudiantes de base, y la capacitación previa en más clases mejoró el reconocimiento de clases no vistas.
• Logró una precisión del 75,71% en una tarea de reconocimiento de enfermedades de la papa en el mundo real con datos limitados.

Conclusiones:

• SWE-MAML es una solución altamente eficaz para el reconocimiento de enfermedades de cultivos de pocas inyecciones, especialmente en entornos agrícolas con escasez de datos.
• La integración del conjunto y el metaaprendizaje ofrece un reconocimiento de enfermedades de alto rendimiento con un mínimo de datos.
• SWE-MAML presenta un enfoque prometedor para el despliegue práctico en agricultura de precisión.