Conjunto de CNN optimizado bayesiano para una detección eficiente de la plaga de la patata utilizando mejora de...

Área de la Ciencia:

• Ciencias Agrícolas
• Ciencias de la computación
• Aprendizaje automático

Sus antecedentes:

• La enfermedad de la patata causa importantes pérdidas agrícolas y económicas.
• La detección precisa y temprana de la plaga de la patata es crucial para el manejo de los cultivos.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo de alta precisión para la detección de la plaga de las hojas de la papa.
• Optimizar los modelos de red neuronal convolucional (CNN) utilizando la optimización bayesiana y el aprendizaje conjunto.

Principales métodos:

• Entrenado en múltiples arquitecturas CNN (ADAM, SGD, RMSProp, ADAMAX) y evaluado el rendimiento individual.
• Aumento de datos aplicado y mejora de imágenes borrosas para mejorar la extracción de características y mitigar el desequilibrio de clase.
• Utilizó la optimización bayesiana para determinar los pesos óptimos para un modelo de conjunto profundo, explorando 11 combinaciones.

Principales resultados:

• El modelo de conjunto final (EDL7: DL1 + DL2 + DL3) logró una precisión máxima del 97,94%.
• El modelo conjunto demostró un rendimiento superior a los modelos individuales de CNN.
• Se logró una alta precisión (0,981), recuerdo (0,983) y puntuación F1 (0,982).

Conclusiones:

• El aprendizaje conjunto optimizado por Bayesian mejora significativamente la precisión de la detección de la plaga de la papa.
• El método propuesto ofrece una solución sólida y fiable para la clasificación de enfermedades agrícolas.
• Este enfoque tiene el potencial de minimizar las pérdidas de cultivos debido a la plaga de la papa.