Transformador de visión mejorada por inicio de múltiples núcleos para el reconocimiento de enfermedades de las hojas...

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• La identificación precisa de las enfermedades de las plantas es vital para el rendimiento de los cultivos y la seguridad alimentaria.
• La identificación manual requiere mucha mano de obra y conocimientos especializados.
• Los modelos de visión por computadora existentes a menudo luchan con las condiciones de campo del mundo real.

Objetivo del estudio:

• Desarrollar una arquitectura robusta de aprendizaje profundo para la identificación de enfermedades de las plantas.
• Para abordar las limitaciones de los modelos actuales en el manejo de diversas condiciones de imagen (laboratorio frente a campo real).
• Mejorar la precisión y la eficiencia del diagnóstico automatizado de enfermedades de las plantas.

Principales métodos:

• Propuso una arquitectura de transformador de visión mejorada por inicio (IEViT).
• IEViT integra las capacidades de extracción de características locales y globales.
• Utilizó múltiples filtros con diferentes tamaños de núcleo para un aprendizaje eficiente de las características.
• Realizó experimentos en cinco conjuntos de datos diversos, incluidas imágenes de laboratorio y de campo real.

Principales resultados:

• El modelo IEViT demostró un rendimiento superior en comparación con los modelos de aprendizaje profundo de última generación.
• Se obtuvieron altas tasas de precisión en múltiples conjuntos de datos: 99.23% (hoja de manzana), 99.70% (arroz), 97.02% (i-bean), 76.51% (hoja de yuca) y 99.41% (pueblo de plantas).
• La arquitectura propuesta logró estos resultados con menos parámetros que los modelos existentes.

Conclusiones:

• El Inception-Enhanced Vision Transformer (IEViT) es una arquitectura robusta y eficiente para la identificación de enfermedades de las plantas.
• IEViT maneja eficazmente las variaciones en las condiciones de imagen, funcionando bien tanto en datos de laboratorio como en el campo real.
• Este enfoque ofrece una solución prometedora para el diagnóstico automatizado, preciso y escalable de enfermedades de las plantas en la agricultura.