Un modelo híbrido CNN-transformer con función de activación adaptativa para la clasificación de enfermedades en hojas...

Área de la Ciencia:

• Ciencias Agrícolas
• Ciencias de la Computación
• Inteligencia Artificial

Sus antecedentes:

• El cultivo de papa enfrenta pérdidas significativas de rendimiento y calidad debido a diversas enfermedades.
• Los métodos actuales de detección de enfermedades a menudo son ineficientes, inexactos y requieren mucha mano de obra.
• La identificación automatizada de enfermedades es crucial para la agricultura sostenible.

Objetivo del estudio:

• Desarrollar una novedosa arquitectura híbrida de aprendizaje profundo para la clasificación precisa de enfermedades en hojas de papa.
• Introducir una función de activación paramétrica adaptativa para mejorar el rendimiento del modelo.
• Proporcionar una solución eficiente y escalable para la identificación automatizada de enfermedades de plantas.

Principales métodos:

• Se desarrolló una arquitectura híbrida de aprendizaje profundo, DenseNet para enfermedades de hojas de papa (PLDNet), que integra DenseNet con un módulo de atención basado en Transformer.
• Se propuso una función de activación Adaptative Flatten p-Mish (AFpM) para mejorar la flexibilidad de aprendizaje y la capacidad de representación.
• El modelo PLDNet se evaluó en los conjuntos de datos PlantVillage y Mendeley.

Principales resultados:

• PLDNet logró precisiones de clasificación del 99,54% en el conjunto de datos PlantVillage y del 87,50% en el conjunto de datos Mendeley.
• La función de activación propuesta AFpM demostró un rendimiento superior en comparación con las funciones de activación Mish, Swish y PFpM.
• AFpM mejoró la precisión en un 2,52% en Mendeley y en un 1,93% en PlantVillage en comparación con PFpM, y en más de un 3% en comparación con Swish y Mish.

Conclusiones:

• El marco PLDNet ofrece un enfoque altamente preciso y eficiente para la identificación automatizada de enfermedades en hojas de papa.
• La novedosa función de activación AFpM mejora el rendimiento del modelo de aprendizaje profundo a través de la no linealidad adaptativa y el control dinámico del gradiente.
• El estudio demuestra sólidas capacidades de generalización, allanando el camino para mejorar las estrategias de manejo de enfermedades de cultivos.