Utilizando modelos de aprendizaje profundo para la detección temprana y clasificación de enfermedades de la fruta:...

Área de la Ciencia:

• Ciencias Agrícolas Ciencias Agrícolas
• Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• Las enfermedades de las frutas tienen un impacto significativo en la productividad y calidad de los alimentos a nivel mundial.
• La clasificación visual manual para la detección de enfermedades de la fruta es difícil y a menudo inexacta.
• El aprendizaje profundo ofrece soluciones avanzadas para una clasificación precisa y eficiente de las enfermedades.

Objetivo del estudio:

• Desarrollar y evaluar modelos de aprendizaje profundo para la detección y clasificación de enfermedades de la fruta en etapas tempranas.
• Para comparar el rendimiento de cinco distintas arquitecturas de aprendizaje profundo.
• Identificar el modelo más eficaz para mejorar las prácticas agrícolas.

Principales métodos:

• Se aplicaron cinco modelos de aprendizaje profundo: Red Neural Convolucional (CNN), DenseNet121, EfficientNetB3, Xception y ResNet50.
• Utilizó el preprocesamiento de imágenes y el aumento de datos para mejorar el análisis de imágenes.
• Entrenó modelos para detectar seis tipos de enfermedades de las frutas en las plantas de naranja, uva, mango, guayaba, manzana y plátano.

Principales resultados:

• Logró altas precisiones de detección, con EfficientNetB3 alcanzando el 99.14% para las enfermedades de la uva y el 99.33% para las enfermedades de la manzana.
• Demostró que los modelos que incorporan el preprocesamiento de imágenes y el aumento de datos producen un rendimiento superior.
• Los modelos EfficientNetB3, ResNet50 y CNN mostraron fuertes resultados en diferentes tipos de frutas.

Conclusiones:

• Los modelos de aprendizaje profundo, particularmente EfficientNetB3, son altamente efectivos para la detección temprana y precisa de enfermedades de la fruta.
• El preprocesamiento de imágenes y el aumento de datos son cruciales para maximizar el rendimiento del modelo.
• El modelo EfficientNetB3 recomendado puede ayudar significativamente a los agricultores en el manejo de enfermedades, aumentando la calidad y la productividad de los alimentos.