Aprendizaje profundo de transferencia para el diagnóstico integral de patologías de hojas de algodón

Área de la Ciencia:

• Ciencias Agrícolas
• Ciencias de la Computación
• Patología Vegetal

Sus antecedentes:

• Los métodos tradicionales para la identificación de enfermedades en hojas de algodón son a menudo lentos e inexactos.
• El sector algodonero enfrenta desafíos significativos debido a enfermedades como el tizón de la hoja del algodón.
• La detección automatizada de enfermedades es crucial para mejorar los rendimientos de los cultivos y la productividad agrícola.

Objetivo del estudio:

• Desarrollar un sistema automatizado para diagnosticar la enfermedad de la hoja de algodón utilizando aprendizaje profundo y procesamiento de imágenes.
• Evaluar el rendimiento de varios modelos de aprendizaje profundo para la identificación de enfermedades del algodón.
• Mejorar la agricultura de precisión a través de herramientas de predicción de enfermedades fiables y precisas.

Principales métodos:

• Se utilizó un conjunto de datos de más de 4200 imágenes de hojas de algodón, que incluyen muestras sanas y enfermas.
• Se implementaron y compararon arquitecturas de aprendizaje profundo: Red Neuronal Convolucional (CNN), InceptionV3, ResNet50, VGG16, VGG19 y Xception.
• Se evaluó el rendimiento del modelo en función de la precisión de validación, la complejidad y la velocidad de inferencia.

Principales resultados:

• El modelo VGG19 logró la segunda mayor precisión de validación con un 95,97%.
• ResNet50 demostró una alta precisión, superando a los modelos anteriores.
• Los modelos de aprendizaje profundo desarrollados superaron significativamente las metodologías existentes en precisión y velocidad.

Conclusiones:

• El aprendizaje profundo ofrece un enfoque automatizado preciso y eficiente para diagnosticar enfermedades en hojas de algodón.
• Esta tecnología puede equipar a los agricultores con herramientas para la detección temprana de enfermedades, mitigando el daño a los cultivos.
• Investigaciones futuras que incorporen modelos avanzados como Vision Transformers tienen como objetivo mejorar la precisión y eficacia del diagnóstico.