Video Experimental Relacionado
Updated: Jan 13, 2026
08:47
Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
Published on: February 9, 2024
2.0K
Una red neuronal convolucional (CNN) mejorada con atención para la clasificación de enfermedades de hojas de algodón
Md Ehsanul Haque1, Md Tamim Hasan Saykat1, Md Al-Imran1
1Department of Computer Science and Engineering, East West University, Dhaka, 1212, Bangladesh.
Scientific reports
|January 10, 2026
Resumen
Este estudio presenta CottonLeafNet, un modelo de IA avanzado para la identificación precisa de enfermedades del algodón. Ofrece una solución rápida, confiable e interpretable para mejorar el rendimiento y la calidad de los cultivos.
Área de la Ciencia:
- Ciencias Agrícolas
- Ciencias de la Computación
- Inteligencia Artificial
Sus antecedentes:
- La identificación manual de enfermedades de hojas de algodón es ineficiente y propensa a errores.
- Los métodos automatizados existentes carecen de diversidad de conjuntos de datos, evaluación consistente, explicabilidad y eficiencia.
- Existe la necesidad de soluciones automatizadas precisas y robustas para el diagnóstico de enfermedades del algodón.
Objetivo del estudio:
- Desarrollar un sistema automatizado preciso, robusto e interpretable para la clasificación de enfermedades de hojas de algodón.
- Abordar las limitaciones de los métodos existentes de identificación automatizada de enfermedades.
- Proponer un conjunto de redes neuronales convolucionales (CNN) mejoradas con atención denominado CottonLeafNet.
Principales métodos:
- Desarrollo de un conjunto de CNN mejoradas con atención (CottonLeafNet) que integra CNN ligeras.
- Utilización de dos conjuntos de datos públicos de enfermedades de hojas de algodón para entrenamiento y evaluación.
- Empleo de Grad-CAM (Gradient-Weighted Class Activation Mapping) para la interpretabilidad del modelo.
- Validación de la viabilidad en tiempo real a través de la implementación basada en la web.
Principales resultados:
- CottonLeafNet logró un rendimiento de vanguardia, con precisiones de hasta el 99,43 % en conjuntos de datos separados y del 99,08 % en un conjunto de datos combinado.
- Demostró altas puntuaciones F1 macro (por ejemplo, 0,9942), kappa de Cohen (por ejemplo, 0,9924) y tiempos de inferencia bajos (0,40-0,51 s por imagen).
- Mostró la solidez del modelo en condiciones de desequilibrio de clases y una generalización moderada entre los conjuntos de datos.
- Las visualizaciones de Grad-CAM confirmaron la atención a las regiones relevantes para la enfermedad, mejorando la interpretabilidad.
Conclusiones:
- CottonLeafNet proporciona una solución precisa, robusta, interpretable y computacionalmente eficiente para el diagnóstico automatizado de enfermedades de hojas de algodón.
- El rendimiento del modelo y la viabilidad en tiempo real sugieren un potencial significativo para aplicaciones agrícolas prácticas.
- Este trabajo avanza en la gestión automatizada de enfermedades de cultivos a través de la IA explicable.
