Sistema de detección en el borde para enfermedades de hojas de Ginkgo biloba basado en PLFYNet

Área de la Ciencia:

• Ciencias Agrícolas
• Ciencias de la Computación
• Aprendizaje Profundo

Sus antecedentes:

• La agricultura de precisión exige un monitoreo preciso de las enfermedades del Ginkgo biloba.
• Los sistemas de detección existentes enfrentan desafíos en entornos complejos, incluida la baja precisión, la eficiencia y los altos costos computacionales para dispositivos de borde.

Objetivo del estudio:

• Desarrollar un modelo ligero de aprendizaje profundo para la detección de enfermedades en tiempo real en dispositivos integrados con recursos limitados.
• Abordar las limitaciones de los sistemas actuales de detección de enfermedades en entornos agrícolas.

Principales métodos:

• Se creó un conjunto de datos multiclase de 7.158 imágenes aumentadas para tres categorías de enfermedades.
• Se desarrolló una arquitectura ligera optimizada (LCNet-FusionYOLO) que incorpora mecanismos de atención, una cabeza de detección mejorada, convoluciones eficientes y un módulo de fusión de características personalizado.
• Se aplicó el podado basado en magnitud adaptable a la capa (LAMP) para crear el modelo PLFYNet final.

Principales resultados:

• El modelo PLFYNet logró un 94,5% de mAP@0,5 con solo 3,0M de parámetros, superando a YOLOv7-tiny en un 4,8% con la mitad de parámetros.
• Se demostró la inferencia en tiempo real a 50,5 FPS en una plataforma integrada Jetson Orin Nano.

Conclusiones:

• PLFYNet ofrece una solución computacionalmente eficiente y de alta precisión para la detección de enfermedades en el cultivo de Ginkgo biloba.
• El modelo proporciona un sistema de monitoreo práctico basado en el borde, superando los desafíos de implementación en entornos agrícolas complejos y apoyando prácticas sostenibles.