Un modelo híbrido ligero para la clasificación escalable y robusta de las enfermedades de las hojas de las plantas

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por computadora
• Aprendizaje profundo

Sus antecedentes:

• Las enfermedades de las plantas causan importantes pérdidas de rendimiento y daños económicos, lo que amenaza la seguridad alimentaria.
• El diagnóstico preciso y precoz de las enfermedades de las plantas es fundamental para una gestión y un tratamiento eficaces.
• Los sistemas automatizados existentes se enfrentan a desafíos con limitaciones de recursos computacionales en entornos de campo.

Objetivo del estudio:

• Desarrollar un modelo de red neuronal convolucional ligero y compacto para una clasificación eficiente de las enfermedades de las hojas de las plantas.
• Abordar la necesidad de una identificación rápida de enfermedades en condiciones de campo con un poder computacional limitado.
• Proponer la Red de Clasificación de Enfermedades Vegetales Híbridas (HPDC-Net) para mejorar el diagnóstico agrícola.

Principales métodos:

• HPDC-Net diseñado con una arquitectura de bloque híbrido: Bloque de convolución separable por profundidad (DSCB), Bloque de agrupación adaptativo de doble vía (DAPB) y Bloque de refinación de atención por canal (CARB).
• Utilizó convoluciones separables en profundidad en DSCB para extraer características robustas de manera eficiente, asegurando un modelo ligero.
• Se formó y evaluó la red HPDC en tres conjuntos de datos para clasificar las enfermedades de las hojas de la papa y el tomate.

Principales resultados:

• Se logró una precisión de más del 99% en los tres conjuntos de datos para la clasificación de enfermedades de las hojas de las plantas.
• Se mantuvo una baja complejidad computacional con 0.06 GFLOPs y 0.52M parámetros (10 clases) / 0.17M parámetros (3 clases).
• Ha demostrado altas velocidades de inferencia: 19.82 FPS en la CPU y 408.25 FPS en la GPU.

Conclusiones:

• HPDC-Net es un modelo preciso, ligero y eficiente para la detección temprana de enfermedades de las plantas.
• El rendimiento del modelo indica su idoneidad para aplicaciones agrícolas del mundo real con restricciones computacionales.
• La disponibilidad del código en GitHub facilita una mayor investigación e implementación.