Método de incorporación y selección de características visuales de modelos múltiples para una clasificación eficiente de plagas en apoyo de la agricultura de precisión | JoVE Visualize

Área de la Ciencia:

Ciencias Agrícolas
Ciencias de la computación
Aprendizaje automático

Sus antecedentes:

La agricultura 5.0 depende en gran medida del cultivo de cultivos, lo que requiere métodos eficientes para la identificación de plagas.
La identificación manual de plagas requiere mucho trabajo y es propensa a errores, lo que afecta el rendimiento y la calidad de los cultivos.
Existe una creciente necesidad de sistemas automatizados y eficientes en el uso de los recursos para la detección remota de plagas.

Objetivo del estudio:

Desarrollar un sistema automatizado para la identificación de plagas de insectos con alta eficacia y bajos requisitos de recursos.
Crear un modelo de clasificación capaz de manejar un gran número de clases de plagas.
Mejorar la velocidad y la precisión de la identificación de plagas en comparación con los métodos manuales.

Principales métodos:

Se utilizaron modelos de aprendizaje profundo previamente entrenados (DenseNet201, EfficientNetB3, InceptionResNetV2) para la extracción de características visuales.
Análisis Lineal Discriminante Aplicado (ALD) para la selección eficiente de características a partir de conjuntos de datos combinados de plagas (19 clases).
Desarrolló una red neuronal ligera y densa para la clasificación final.

Principales resultados:

Se logró una precisión del 99,99%, una validación del 100% y un recuerdo del 99,99% con una pérdida insignificante.
El método de selección de características híbrido propuesto demostró ser más eficiente desde el punto de vista computacional que el aprendizaje de transferencia tradicional.
El sistema demostró una alta eficacia con demandas computacionales y de memoria reducidas.

Conclusiones:

El sistema desarrollado ofrece una solución de bajo recurso y alta eficacia para la clasificación de plagas de insectos en múltiples clases.
Este enfoque es adecuado para el despliegue en entornos de agricultura de precisión.
La estrategia de selección de características híbridas mejora la eficiencia de la clasificación sin una amplia capacitación.