Clasificación robusta de enfermedades del cafeto mediante aprendizaje profundo y técnicas avanzadas de ingeniería de características | JoVE Visualize

Área de la Ciencia:

Ciencia Agrícola
Ciencias de la Computación
Patología Vegetal

Sus antecedentes:

Las enfermedades de las hojas del cafeto amenazan la producción y calidad mundial del café.
El aprendizaje profundo (DL) muestra potencial para la identificación de enfermedades de las plantas mediante clasificación de imágenes.
Los modelos existentes de redes neuronales convolucionales (CNN) únicas carecen de variabilidad de características y generalización en el mundo real.

Objetivo del estudio:

Desarrollar un marco mejorado de aprendizaje profundo para la clasificación precisa de enfermedades del cafeto.
Integrar la extracción de características complementarias de múltiples CNN con selección avanzada de características.
Mejorar la eficiencia computacional y la precisión en la identificación de enfermedades del cafeto.

Principales métodos:

Un marco híbrido de aprendizaje profundo que integra GoogLeNet y ResNet18 para la extracción de características.
Reducción de dimensionalidad mediante análisis de componentes principales (PCA) y descomposición de valores singulares (SVD).
Selección de características mediante pruebas ANOVA y Chi-cuadrado, entrenadas con un optimizador Adam.

Principales resultados:

Se logró una precisión del 99,78% en el conjunto de datos BRACOL para la clasificación de enfermedades del cafeto.
Se demostraron puntuaciones de precisión, recuperación y F1 superiores al 99% en todas las clases.
Se integraron con éxito múltiples arquitecturas de aprendizaje profundo con selección de características para una clasificación robusta.

Conclusiones:

El marco híbrido de aprendizaje profundo propuesto mejora significativamente la precisión de la clasificación de enfermedades del cafeto.
La integración sistemática de diversas CNN y métodos de selección de características aborda las limitaciones de los enfoques de modelo único.
Esta investigación proporciona una solución computacionalmente eficiente y de alta precisión para la producción sostenible de café.