Mejora de la clasificación de las enfermedades foliares mediante el modelo híbrido GAT-GCN | JoVE Visualize

Área de la Ciencia:

Ciencias Agrícolas
Visión por computadora
Aprendizaje automático

Sus antecedentes:

La detección precisa y oportuna de enfermedades de las plantas es crucial para la seguridad alimentaria mundial y la productividad agrícola.
Los métodos existentes a menudo carecen de la precisión y eficiencia requeridas para el monitoreo de cultivos a gran escala.
La necesidad de modelos computacionales avanzados para analizar la salud de las plantas está aumentando.

Objetivo del estudio:

Desarrollar y evaluar un modelo híbrido de red de atención de gráficos (GAT) y red de convoluciones de gráficos (GCN) para una clasificación precisa de las enfermedades de las hojas.
Mejorar la extracción de características y la generalización del modelo para una identificación robusta de enfermedades de las plantas.
Evaluar el rendimiento del modelo híbrido con respecto a los modelos individuales GCN y GAT.

Principales métodos:

Utilizó un modelo híbrido que integra la Red de Atención Gráfica (GAT) y la Red de Convolución Gráfica (GCN) para la clasificación de enfermedades foliares.
Se utiliza la segmentación de superpíxeles para la extracción eficiente de características de las imágenes de hojas de plantas.
Incorpora técnicas de aumento de borde e inicialización de peso para mejorar la robustez y la generalización del modelo.
Evaluó el modelo en conjuntos de datos de hojas de manzana, papa y caña de azúcar.

Principales resultados:

El modelo híbrido GAT-GCN logró métricas de alto rendimiento en diferentes especies de plantas.
Precisión alcanzada, recuerdo y puntuaciones F1 superiores a 0,97 para la clasificación de enfermedades de las hojas de manzana y patata.
Demostró un buen rendimiento con precisión, recuerdo y puntuaciones F1 de aproximadamente 0,88 para la clasificación de enfermedades de las hojas de caña de azúcar.
Superó a los modelos individuales GCN y GAT en precisión y consistencia.

Conclusiones:

El modelo híbrido GAT-GCN ofrece una solución altamente eficaz y coherente para la identificación de enfermedades de las hojas de las plantas.
La integración de GAT y GCN, junto con técnicas avanzadas de procesamiento de imágenes, aumenta significativamente la precisión de la clasificación.
Esta investigación aporta una herramienta valiosa para la agricultura de precisión, ayudando en el monitoreo de cultivos y el control de enfermedades.