Mejora de la clasificación de enfermedades de plantas multiclase utilizando transformadores de visión potenciados por...

Área de la Ciencia:

• Ciencias Agrícolas
• Ciencias de la Computación
• Inteligencia Artificial

Sus antecedentes:

• La producción de arroz es vital para la economía de la India, pero está amenazada por las enfermedades de las plantas.
• La visión por computadora, el aprendizaje profundo y el aprendizaje automático ofrecen soluciones para la identificación de enfermedades.

Objetivo del estudio:

• Desarrollar un novedoso modelo de reconocimiento de enfermedades de hojas de arroz multiclase.
• Mejorar la precisión y robustez de la detección de enfermedades en la agricultura de precisión.

Principales métodos:

• Se propuso el modelo GRG-ViT, que integra Vision Transformer (ViT), Generative AI (GenAI) y Explainable AI (XAI).
• Se utilizó ViT para la captura de dependencias espaciales, GenAI para la mitigación del desequilibrio de clases y un mecanismo de activación híbrido.
• Se incorporaron métodos XAI como Gradient-weighted Class Activation Mapping (Grad-CAM) para la interpretabilidad.

Principales resultados:

• El modelo GRG-ViT logró una precisión general de aproximadamente el 96%, superando a los métodos convencionales.
• GenAI equilibró eficazmente el conjunto de datos, mejorando la robustez del modelo.
• XAI proporcionó transparencia al resaltar las regiones críticas de la imagen para la identificación de enfermedades.

Conclusiones:

• El modelo GRG-ViT demuestra un alto rendimiento y confiabilidad para la detección de enfermedades del arroz.
• La integración de ViT, GenAI y XAI ofrece un marco poderoso para la agricultura de precisión.
• Esta investigación contribuye a salvaguardar la producción de arroz a través de técnicas avanzadas de IA.