Video Experimental Relacionado
Updated: Jan 13, 2026
Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
Diagnóstico de enfermedades en plantas en tiempo real basado en IA utilizando redes neuronales convolucionales
D Devarajan1, Randa Allafi2, Marwa Obayya3
1Department of Electronics and Communication Engineering, E.G.S. Pillay Engineering College, Nagapattinam, Tamil Nadu, India, 611002. devarajand@ymail.com.
Este estudio presenta un marco de aprendizaje profundo para el diagnóstico de enfermedades en plantas en tiempo real. El modelo de IA identifica con precisión las enfermedades a partir de imágenes, lo que permite una gestión de la salud de los cultivos más rápida y confiable y reduce las pérdidas de rendimiento.
Área de la Ciencia:
- Ciencias Agrícolas; Ciencias de la Computación; Inteligencia Artificial
Sus antecedentes:
- El diagnóstico tradicional de enfermedades en plantas es lento, requiere mucha mano de obra y es propenso a errores humanos.; Los métodos actuales no son adecuados para sistemas de cultivo a gran escala que requieren diagnósticos precisos en tiempo real.; La detección temprana es crucial para maximizar el rendimiento de los cultivos y minimizar las pérdidas.
Objetivo del estudio:
- Desarrollar y validar un sistema de diagnóstico de enfermedades en plantas en tiempo real utilizando aprendizaje profundo.; Mejorar la velocidad, precisión y escalabilidad de la detección de enfermedades en plantas.; Apoyar la agricultura de precisión y la gestión sostenible de la salud de las plantas.
Principales métodos:
- Implementación de un marco de Diagnóstico de Enfermedades en Plantas mediante Aprendizaje Profundo (PDD-DL).; Utilización de Redes Neuronales Convolucionales (CNN) para el análisis automatizado de imágenes de plantas.; Validación del modelo en cultivos comunes con potencial de reentrenamiento en diversas clases de enfermedades.
Principales resultados:
- El modelo PDD-DL logró métricas de alto rendimiento: 98,32% de precisión, 97,85% de precisión, 98,14% de recuperación y 97,99% de puntuación F1.; La velocidad de inferencia en tiempo real de 42,6 ms por imagen demuestra la eficiencia del sistema.; El modelo diferencia eficazmente entre plantas sanas y enfermas.
Conclusiones:
- El aprendizaje profundo, específicamente las CNN, ofrece una alternativa más rápida, confiable y escalable al diagnóstico tradicional de enfermedades en plantas.; El marco desarrollado mejora la precisión y la velocidad en el diagnóstico de enfermedades en plantas.; Esta tecnología ayuda en la agricultura de precisión y promueve prácticas de gestión de cultivos sostenibles.
