EgyPLI: Un conjunto de datos de imágenes anotadas de la vida real para la identificación de hojas de plantas egipcias

Área de la Ciencia:

• Visión por Computadora
• Ciencias Agrícolas
• Aprendizaje Automático

Sus antecedentes:

• La falta de conjuntos de datos geográficamente diversos dificulta la generalización de los modelos de identificación de plantas.
• Los conjuntos de datos existentes a menudo carecen de variabilidad del mundo real, lo que limita la robustez del modelo.
• El sector agrícola de Egipto necesita datos localizados y representativos para sistemas automatizados.

Objetivo del estudio:

• Presentar el Conjunto de Datos de Imágenes de Hojas de Plantas Egipcias (EgyPLI) como un recurso novedoso.
• Proporcionar un conjunto de datos geográficamente diverso y realista para la investigación de identificación de plantas.
• Facilitar el desarrollo de modelos robustos de aprendizaje profundo para la clasificación y el diagnóstico de enfermedades de las plantas.

Principales métodos:

• Se curó un conjunto de datos de 3588 imágenes de hojas del mundo real de ocho especies de plantas.
• Se capturaron imágenes en diversas condiciones (puntos de vista, iluminación, desorden) que reflejan entornos naturales.
• Se anotaron y preprocesaron imágenes, incluidas hojas sanas y enfermas, para garantizar estándares consistentes.

Principales resultados:

• Se evaluó el rendimiento del conjunto de datos utilizando ResNet50, VGG16 y una CNN personalizada.
• Se lograron altas precisiones: 61,67 % (ResNet50), 96,81 % (VGG16) y 99,22 % (CNN personalizada).
• Se demostró la idoneidad del conjunto de datos para entrenar modelos efectivos de identificación de plantas.

Conclusiones:

• EgyPLI aborda una brecha crítica en los conjuntos de datos de imágenes de hojas de plantas, particularmente para Egipto.
• El realismo del conjunto de datos apoya el entrenamiento de modelos robustos para la implementación práctica.
• EgyPLI permite avances en la clasificación automatizada de plantas, el diagnóstico y la evaluación de la salud.