RoseLeafInsight: Un conjunto de datos de imágenes de alta resolución para el reconocimiento de la enfermedad de la...

Área de la Ciencia:

• Ciencias Agrícolas
• Ciencias de la computación
• Inteligencia artificial

Sus antecedentes:

• El cultivo de rosas es vital para la economía de Bangladesh, pero está amenazado por las enfermedades de las hojas, lo que reduce los rendimientos y los ingresos de los agricultores.
• La educación limitada de los agricultores y el acceso limitado a los expertos dificultan la identificación y la intervención tempranas de las enfermedades.
• Los desafíos existentes incluyen la resistencia a los pesticidas y los factores naturales que afectan la producción de rosas.

Objetivo del estudio:

• Presentar un conjunto completo de datos sobre la enfermedad de la hoja de rosa para mejorar el seguimiento, el diagnóstico y la investigación de la enfermedad.
• Facilitar el desarrollo de modelos de aprendizaje automático de alta precisión para la detección temprana de enfermedades en las rosas.
• Apoyar la agricultura de precisión a través de conocimientos basados en la inteligencia artificial para mejorar la gestión de cultivos.

Principales métodos:

• Se llevaron a cabo encuestas de campo a gran escala desde octubre de 2024 hasta enero de 2025 para recopilar imágenes de alta calidad de hojas de rosa.
• Creó un conjunto de datos de 3.228 imágenes en cuatro clases: mancha negra, agujero de insecto, virus mosaico amarillo y saludable.
• Procesamiento previo de imágenes aplicado (redimensionamiento a 3000x3000) y técnicas de aumento (rotación, volteo, etc.) mejorar la calidad de los conjuntos de datos y la generalización del modelo.

Principales resultados:

• El conjunto de datos comprende 3.228 imágenes: 409 manchas negras, 453 agujeros de insectos, 680 virus mosaico amarillo y 1.686 sanos.
• Las pruebas iniciales con MobileNetV2 lograron una precisión del 96,79% en la clasificación de enfermedades de la hoja de rosa.
• El conjunto de datos sirve como punto de referencia para la formación de modelos de aprendizaje profundo para el monitoreo automatizado.

Conclusiones:

• El conjunto de datos desarrollado sobre la enfermedad de la hoja de rosa es crucial para avanzar en la detección de enfermedades impulsada por la IA en la agricultura.
• Este recurso permite la creación de modelos efectivos de aprendizaje automático para el diagnóstico precoz, capacitando a los agricultores con intervenciones oportunas.
• La integración con equipos agrícolas como los drones puede mejorar el monitoreo en tiempo real y la toma de decisiones en la agricultura de precisión, lo que lleva a granjas más inteligentes y eficientes.