LeafAI: Detección interpretable de enfermedades de plantas para computación en el borde | JoVE Visualize

Área de la Ciencia:

IA agrícola
Visión por computadora
Aprendizaje automático

Sus antecedentes:

La agricultura del mundo real presenta un desequilibrio de clases significativo, y las hojas sanas de las plantas superan en número a las enfermas.
Este desequilibrio plantea desafíos para los modelos de aprendizaje profundo computacionalmente intensivos en la detección automatizada de enfermedades de plantas, lo que lleva a la ineficiencia.
Se necesitan soluciones de IA sostenibles para optimizar el consumo de recursos y mejorar la precisión de la detección.

Objetivo del estudio:

Presentar un enfoque de IA híbrido iterativo para mejorar la eficiencia computacional, la interpretabilidad y la escalabilidad en la detección de enfermedades de plantas en tiempo real.
Abordar los desafíos del desequilibrio de clases y el alto consumo de recursos en la identificación automatizada de enfermedades de plantas.
Desarrollar una solución de IA confiable y sostenible para la agricultura de precisión.

Principales métodos:

Un sistema híbrido de dos etapas: un clasificador tradicional ligero para la exclusión inicial de hojas sanas, seguido de modelos de aprendizaje profundo (ResNet, DenseNet, MobileNet, EfficientNet) para la clasificación de hojas enfermas.
Implementación de métodos de IA explicable (XAI), específicamente Grad-CAM (Gradient-weighted Class Activation Mapping), para generar mapas de calor predictivos.
Evaluación de un modelo híbrido que combina Regresión Logística y Mobilenetv3 para el rendimiento y la eficiencia.

Principales resultados:

El modelo híbrido logró una inferencia hasta un 77,6% más rápida en comparación con los modelos de aprendizaje profundo convencionales, con una pérdida mínima de precisión de aproximadamente el 3%.
En una prueba a gran escala (1227 imágenes), el modelo híbrido redujo el tiempo total de inferencia de 4548 segundos a 1010,13 segundos en una computadora portátil de nivel de entrada, con una carga mínima de CPU.
Los mapas de calor Grad-CAM proporcionaron transparencia al resaltar las regiones de la imagen críticas para las predicciones del modelo, lo que ayudó a refinar las características.

Conclusiones:

El enfoque de IA híbrido propuesto ofrece una solución escalable, sostenible y confiable para la detección de enfermedades de plantas en la agricultura de precisión.
Este método aborda eficazmente el desequilibrio de clases y optimiza la eficiencia de la inferencia, haciendo que las soluciones de IA sean más prácticas para las aplicaciones agrícolas del mundo real.
La integración de XAI mejora la interpretabilidad y la confianza del modelo, lo cual es crucial para la adopción de la IA en las prácticas agrícolas.