Video Experimental Relacionado
Updated: Sep 10, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
491
Mejorar la detección de enfermedades comunes de los frijoles utilizando transformadores de visión entrenados con el
Upendo Mwaibale1, Neema Mduma1, Hudson Laizer2
1Computational and Communication Science and Engineering (CoCSE), The Nelson Mandela African Institution of Science and Technology (NM-AIST), Arusha, Tanzania.
Frontiers in artificial intelligence
|August 22, 2025
Resumen
La detección temprana de enfermedades comunes de los frijoles en Tanzania es crucial. Un nuevo modelo de aprendizaje profundo que utiliza Vision Transformer (ViT) y entrenamiento adversario logra una precisión del 99,4% para la detección robusta y móvil de enfermedades en las granjas.
Área de la Ciencia:
- Ciencias Agrícolas
- Ciencias de la computación
- Patología vegetal
Sus antecedentes:
- La producción de frijol común en Tanzania se enfrenta a amenazas significativas por enfermedades como el óxido de frijol y la antracnosa.
- La gestión eficaz de la enfermedad depende de sistemas de detección temprana oportunos y precisos.
Objetivo del estudio:
- Desarrollar un modelo robusto de aprendizaje profundo para la detección temprana de enfermedades comunes de los frijoles.
- Mejorar la fiabilidad del modelo para las condiciones agrícolas reales, especialmente en entornos con recursos limitados.
Principales métodos:
- Se desarrolló un modelo de aprendizaje profundo basado en Vision Transformer (ViT) y se mejoró con la capacitación adversarial.
- Se aumentó un conjunto de datos de 100,000 imágenes anotadas utilizando perturbaciones geométricas, de color y FGSM para simular la variabilidad del campo.
- El modelo se ajustó utilizando el aprendizaje de transferencia y se validó mediante validación cruzada.
Principales resultados:
- El entrenamiento adversario mejoró significativamente la robustez del modelo contra las perturbaciones de la imagen.
- El modelo ViT ajustado logró una alta precisión del 99,4% en la detección de enfermedades.
- El estudio demostró la eficacia del modelo para el diagnóstico de enfermedades vegetales basado en dispositivos móviles.
Conclusiones:
- La integración de la robustez adversarial es eficaz para mejorar la fiabilidad de los modelos de aprendizaje profundo para la detección de enfermedades de las plantas.
- El modelo desarrollado es prometedor para su aplicación práctica en el diagnóstico de enfermedades basado en dispositivos móviles en entornos agrícolas con recursos limitados.
- Este enfoque puede ayudar a mitigar las pérdidas de cultivos y mejorar la seguridad alimentaria en las regiones que dependen de la producción de frijol común.
