Video Experimental Relacionado
Updated: Jul 2, 2026
07:30
Protocol for Producing Three-Dimensional Infrared Video of Freezing in Plants
Published on: September 12, 2018
6.5K
Aprendizaje Profundo Basado en RGB para la Detección de Daños por Congelación en Fresas: Comparación de Enfoques de
Nijhum Paul1,2, G C Sunil1, Amin Khan3
1Department of Agricultural and Biosystems Engineering North Dakota State University Fargo North Dakota USA.
Plant direct
|December 15, 2025
Resumen
Los modelos de aprendizaje profundo entrenados desde cero clasifican con precisión los daños por congelación en fresas, superando al aprendizaje por transferencia. ResNet-50 alcanzó una precisión del 97%, ofreciendo una solución rápida y automatizada para la agricultura.
Área de la Ciencia:
- Ciencia Agrícola
- Visión por Computadora
- Aprendizaje Automático
Sus antecedentes:
- El daño por congelación impacta significativamente los cultivos de fresa, causando pérdidas económicas.
- La evaluación manual del daño es ineficiente, subjetiva y requiere mucha mano de obra.
Objetivo del estudio:
- Desarrollar y evaluar la clasificación automatizada de daños por congelación en plantas de fresa utilizando aprendizaje profundo y visión por computadora.
- Comparar el rendimiento de diferentes arquitecturas de redes neuronales convolucionales (CNN) y métodos de entrenamiento.
Principales métodos:
- Se utilizaron imágenes RGB de plantas de fresa para la clasificación de daños por congelación.
- Se evaluaron cuatro arquitecturas de CNN: DenseNet-121, Inception V3, ResNet-50 y Xception.
- Se comparó el aprendizaje por transferencia (TL) con el entrenamiento de modelos desde cero.
Principales resultados:
- Los modelos entrenados desde cero superaron a los modelos de TL, con ResNet-50 alcanzando una precisión del 97%.
- ResNet-50 ofreció el tiempo de inferencia más rápido (3.0 s), mientras que DenseNet-121 fue el más eficiente en memoria (26.86 MB).
- Los modelos identificaron eficazmente el daño severo pero tuvieron dificultades para diferenciar el daño leve o mínimo.
Conclusiones:
- Los modelos de aprendizaje profundo entrenados desde cero proporcionan una solución automatizada más precisa para la clasificación de daños por congelación en fresas.
- ResNet-50 es adecuado para aplicaciones críticas de velocidad y DenseNet-121 para entornos con memoria limitada.
- El aprendizaje profundo ofrece una alternativa rápida, precisa y no destructiva a los métodos tradicionales de evaluación de daños por congelación.
