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

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.