Un marco de aprendizaje profundo ligero y generalizable para la detección temprana de enfermedades en hojas de arroz...

Área de la Ciencia:

• Ciencias Agrícolas
• Ciencias de la Computación
• Patología Vegetal

Sus antecedentes:

• Las enfermedades de las hojas de arroz amenazan la seguridad alimentaria mundial, lo que requiere una detección temprana y precisa.
• Los métodos de detección existentes enfrentan desafíos en condiciones de campo variables, límites computacionales y generalización.
• Las lesiones sutiles en etapa temprana son difíciles de identificar, lo que dificulta el manejo oportuno de las enfermedades.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje profundo ligero y novedoso para la detección robusta de enfermedades en hojas de arroz.
• Mejorar la extracción de características para identificar síntomas sutiles de enfermedades en etapa temprana.
• Crear un modelo computacionalmente eficiente adecuado para dispositivos de borde en agricultura inteligente.

Principales métodos:

• Se propuso un marco de aprendizaje profundo ligero novedoso que presenta un módulo de Profundidad de Fusión de Kernel Grande Multibrancho (MLFD) para la extracción de características multiescala.
• Se integró un módulo de Atención de Transformador Dilatado Multiescala (MDTA) con mecanismos de atención para mejorar la representación de características.
• Se desarrolló una Cabeza de Detección Ligera (Lo-Head) utilizando convoluciones agrupadas y de profundidad para reducir la complejidad del modelo.
• Se realizaron experimentos exhaustivos en conjuntos de datos de enfermedades de hojas de arroz, patata y tomate.

Principales resultados:

• Se logró una precisión media (mAP@0.5:0.95) del 62,62 % en un conjunto de datos de enfermedades de hojas de arroz, superando a los detectores ligeros de última generación.
• Se mantuvieron bajas demandas computacionales con 6,3 GFLOPs y 2,66 millones de parámetros.
• Se demostró un rendimiento superior y transferibilidad en conjuntos de datos independientes de enfermedades de hojas de patata y tomate, superando a modelos comparables.

Conclusiones:

• El marco de aprendizaje profundo ligero propuesto ofrece alta precisión, eficiencia computacional y excelente generalización entre cultivos para la detección de enfermedades en hojas.
• El marco es muy adecuado para su implementación en dispositivos de borde con recursos limitados en agricultura inteligente para la vigilancia proactiva de enfermedades.
• Esta tecnología permite estrategias de control de precisión, contribuyendo a mejorar la seguridad alimentaria en diversas aplicaciones agrícolas.