Clasificación mejorada de enfermedades de las plantas con red neuronal convolucional basada en la atención utilizando...

Área de la Ciencia:

• Tecnología agrícola
• Aprendizaje profundo
• Visión por computadora

Sus antecedentes:

• Los dispositivos inteligentes y la informática de vanguardia son cruciales para la agricultura moderna, ya que mejoran la productividad a través de la automatización y el análisis en tiempo real.
• Los modelos actuales de aprendizaje profundo enfrentan desafíos en cuanto a precisión, tamaño y velocidad para las tareas de clasificación de etiquetas múltiples en la agricultura.

Objetivo del estudio:

• Proponer una arquitectura de aprendizaje profundo eficiente para la clasificación de enfermedades de las plantas con múltiples etiquetas.
• Mejorar el rendimiento de la clasificación y la eficiencia computacional utilizando un mecanismo de atención.

Principales métodos:

• Desarrolló una red neuronal convolucional híbrida con bloques de identidad habilitados por compresión y excitación (CNN-SEEIB).
• Incorporó un mecanismo de atención dentro de los bloques de identidad para mejorar la atención visual.
• Utilizó el conjunto de datos de PlantVillage (54.305 imágenes, 38 clases) para la capacitación y la validación.

Principales resultados:

• Logró un 99,79% de precisión, 0,9970 de precisión, 0,9972 de recuerdo y 0,9971 de puntuación F1 en el conjunto de datos de PlantVillage.
• Tiempo de inferencia de 64 milisegundos por imagen, demostrando la idoneidad para el despliegue en tiempo real.
• Validado en un conjunto de datos de la enfermedad de la hoja de la patata, logrando una precisión del 97,77%.

Conclusiones:

• El modelo CNN-SEEIB ofrece una alta precisión y eficiencia para la clasificación de enfermedades vegetales de etiquetas múltiples.
• El mecanismo de atención mejora el rendimiento y la eficiencia computacional, lo que lo hace ideal para la computación de borde en la agricultura.
• El rendimiento del modelo valida su potencial para la detección de enfermedades en tiempo real en aplicaciones de agricultura inteligente.