ENet-CAEM: un modelo de identificación de enfermedades de fresa de campo basado en EfficientNetB0 mejorado y...

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por Computadora
• Aprendizaje Automático

Sus antecedentes:

• El diagnóstico preciso de las enfermedades de las fresas es crucial para el rendimiento de los cultivos y la gestión.
• Los desafíos incluyen la apariencia irregular de las lesiones, los fondos desordenados, las enfermedades visualmente similares y los datos limitados para los modelos de aprendizaje profundo.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo eficaz para el reconocimiento preciso y robusto de enfermedades de fresa en condiciones reales de campo.

Principales métodos:

• Un marco EfficientNetB0 rediseñado (ENet-CAEM) que incorpora el Módulo de Contexto de Canal, la Atención Eficiente de Canal Multiescala y el Agrupamiento Espacial de Pirámides Atrous.
• Integración de agrupación mixta, DropPath aprendible y suavizado de etiquetas para mejorar la captura de características y la generalización.

Principales resultados:

• ENet-CAEM logró una precisión del 85,84 % en un conjunto de datos propio, superando a la línea de base en un 4,29 %.
• El modelo alcanzó una precisión del 97,39 % en un conjunto de datos público de fresas, superando a los métodos existentes.

Conclusiones:

• El modelo ENet-CAEM demuestra una precisión y robustez superiores para el reconocimiento de enfermedades de fresa.
• Ofrece una solución práctica y eficaz para el diagnóstico de campo en tiempo real y la agricultura sostenible.