Mejorar la detección de anomalías en el reconocimiento de enfermedades de las plantas con el conjunto de...

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• Las enfermedades de las plantas amenazan la seguridad alimentaria mundial y la salud pública.
• Los métodos actuales de reconocimiento de enfermedades vegetales se limitan a escenarios cerrados y no logran detectar enfermedades nuevas.
• Las aplicaciones del mundo real requieren sistemas capaces de identificar enfermedades vegetales conocidas y desconocidas.

Objetivo del estudio:

• Ampliar el reconocimiento de enfermedades de las plantas a un escenario abierto.
• Para comparar el rendimiento de detección de anomalías de las redes neuronales convolucionales (CNN), los transformadores de visión (ViT) y los modelos de lenguaje de visión (VLM).
• Proponer un nuevo método de conjunto de conocimientos para mejorar el reconocimiento de enfermedades vegetales en conjunto abierto.

Principales métodos:

• Detección de anomalías de evaluación comparativa de CNN, ViTs y VLM bajo varias estrategias de ajuste fino.
• Desarrollar un método de conjunto de conocimientos que integre los conocimientos generales y específicos de cada ámbito.
• Integración de conocimientos en espacios de logit y características para mejorar el rendimiento del modelo.

Principales resultados:

• El método de conjunto de conocimientos propuesto supera significativamente las líneas de base existentes en el reconocimiento de enfermedades vegetales de conjunto abierto.
• Se redujo la tasa de falsos positivos al 95% de la tasa de positivos verdaderos (FPR@TPR95) del 43,88% al 7,05% para los VLM con aprendizaje de 16 disparos.
• Se logró una reducción adicional de FPR@TPR95 del 15,38% al 0,71% en el ajuste total.

Conclusiones:

• El enfoque de conjunto de conocimientos demuestra robustez y generalizabilidad en diversas arquitecturas de modelos y paradigmas de capacitación.
• Este método mejora la identificación de enfermedades vegetales conocidas y desconocidas, crucial para las aplicaciones agrícolas prácticas.
• El estudio allana el camino para sistemas de manejo de enfermedades de las plantas impulsados por IA más efectivos y adaptables.