Diagnóstico de precisión de las enfermedades de las hojas de los cítricos mediante la mejora de la imagen y el...

Área de la Ciencia:

• Ciencias Agrícolas
• Ciencias de la computación
• Patología vegetal

Sus antecedentes:

• Los cultivos de cítricos son económicamente vitales, pero se enfrentan a importantes amenazas de enfermedades.
• Los métodos actuales de detección de enfermedades a menudo son lentos, requieren expertos y pasan por alto las primeras etapas.
• El diagnóstico oportuno es crucial para mantener el rendimiento, la calidad y la seguridad alimentaria mundial.

Objetivo del estudio:

• Desarrollar un sistema automatizado basado en los síntomas para la detección y clasificación de enfermedades de las hojas de cítricos.
• Mejorar la calidad de la imagen para mejorar la precisión del diagnóstico.
• Integrar modelos de aprendizaje profundo utilizando una nueva metodología de conjunto para la identificación robusta de enfermedades.

Principales métodos:

• Mejora de la calidad de la imagen mediante difusión anisotrópica valorada por vectores (VAD) y filtrado morfológico.
• Integración de las arquitecturas de aprendizaje profundo VGG19, AlexNet y Xception.
• Un conjunto basado en el rango difuso no lineal (NL-FuRBE) con puntuación difusa para la incertidumbre de la predicción y la mitigación del sesgo.

Principales resultados:

• El modelo NL-FuRBE propuesto logró una precisión media superior del 96,51% en nueve clases de enfermedades de las hojas de los cítricos.
• La metodología demostró un rendimiento superior en comparación con el conjunto tradicional y los métodos de última generación.
• Las técnicas de mejora de imagen mejoraron la claridad de la entrada del clasificador, contribuyendo a la efectividad del modelo.

Conclusiones:

• El modelo NL-FuRBE proporciona una solución eficaz, automatizada y rentable para el diagnóstico de enfermedades de los cítricos.
• Este enfoque apoya la agricultura de precisión al permitir la detección temprana y precisa de las enfermedades de las hojas.
• El estudio destaca el potencial de las técnicas avanzadas de IA para salvaguardar cultivos agrícolas vitales.