DSTANet: una red ligera y de alta precisión para la identificación precoz de las enfermedades de las hojas de maíz en...

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por computadora
• Inteligencia artificial

Sus antecedentes:

• La identificación precisa de las enfermedades del maíz es vital para la agricultura sostenible.
• Los modelos existentes luchan con apariencias similares de la enfermedad, síntomas variados y detección temprana.

Objetivo del estudio:

• Desarrollar un modelo ligero y de alto rendimiento para la identificación temprana y precisa de enfermedades de las hojas de maíz.
• Abordar las limitaciones de los modelos actuales con respecto a la similitud entre clases y la variabilidad dentro de las mismas.

Principales métodos:

• DSTANet propuesto (red de agregación de tokens espaciales descompuesta) que utiliza el backbone de MobileViT.
• Se introdujo el módulo de fusión espacial descompuesta (DSFM) para mejorar la localización de la lesión.
• Desarrollado Multi-Scale Token Aggregator (MSTA) para mejorar el flujo de información de las características.

Principales resultados:

• DSTANet logró una alta precisión (96.11%), precisión (96.17%), recuerdo (96.11%) y puntaje F1 (96.14%).
• El modelo es ligero (1.9M parámetros) con inferencia rápida (170 imágenes/segundo), adecuado para dispositivos de borde.
• Se ha diferenciado con éxito las etapas temprana y tardía de enfermedades específicas del maíz.

Conclusiones:

• DSTANet ofrece una solución novedosa y práctica para la identificación de enfermedades de maíz de grano fino en etapa temprana.
• El modelo proporciona apoyo técnico para la agricultura inteligente y la gestión de precisión de los cultivos.
• Demostró la eficacia de la combinación de CNN y transformadores para la detección de enfermedades agrícolas.