Red RGA-GTNet ligera para el reconocimiento de enfermedades de hojas de yuca mediante características direccionales...

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por Computadora
• Aprendizaje Automático

Sus antecedentes:

• La detección de enfermedades en hojas de yuca es crucial para el rendimiento de los cultivos y la seguridad alimentaria.
• Los desafíos incluyen síntomas similares, condiciones variables y las demandas computacionales de los modelos existentes.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo eficiente y preciso para la detección de enfermedades en hojas de yuca.
• Abordar las limitaciones de los modelos existentes para capturar texturas finas y relaciones espaciales.

Principales métodos:

• Se introdujo Lite-RGA-GTNet, una red ligera que integra datos RGB, de gradiente y de índices de vegetación.
• Se empleó preprocesamiento espectral-direccional, razonamiento de grafos residuales y poda progresiva de tokens.
• Se utilizaron módulos jerárquicos de grafos-transformadores para la representación de características locales-globales fusionadas.

Principales resultados:

• Lite-RGA-GTNet logró una precisión del 96,84%, una precisión del 96,25%, una recuperación del 96,72% y una puntuación F1 del 96,48%.
• Superó a los modelos existentes como CassNet y LeafXFormer hasta en un 2,65% en precisión.
• Demostró un tiempo de inferencia promedio de 14 ms para la implementación en tiempo real.

Conclusiones:

• Lite-RGA-GTNet ofrece una solución muy precisa y computacionalmente eficiente para la detección de enfermedades en hojas de yuca.
• El rendimiento del modelo indica su idoneidad para aplicaciones agrícolas en tiempo real y agricultura sostenible.