Clasificación de enfermedades del arroz mediante DenseNet121 eficiente

Área de la Ciencia:

• Ciencias Agrícolas
• Ciencias de la Computación
• Inteligencia Artificial

Sus antecedentes:

• La identificación precisa de enfermedades de las plantas es crucial para la agricultura y la seguridad alimentaria.
• Los métodos tradicionales carecen de velocidad y escalabilidad.
• El aprendizaje profundo ofrece soluciones automatizadas para el diagnóstico de enfermedades de las plantas.

Objetivo del estudio:

• Desarrollar un modelo integral de clasificación de enfermedades del arroz.
• Abordar las limitaciones de estudios anteriores centrados en menos clases de enfermedades.
• Implementar la arquitectura DenseNet121 para mejorar la precisión.

Principales métodos:

• Se utilizó un conjunto de datos de siete enfermedades comunes del arroz.
• Se empleó DenseNet121 con aprendizaje por transferencia de pesos de ImageNet.
• Se optimizó el modelo utilizando el optimizador Adam con hiperparámetros ajustados.

Principales resultados:

• Se logró una precisión general del 97,9 % en un conjunto de prueba independiente.
• La precisión de la clasificación individual de enfermedades varió del 94 % al 99,67 %.
• Se demostró un rendimiento sólido con precisión (96,2 %), recuperación (97,97 %) y puntuación F1 (97 %).

Conclusiones:

• DenseNet121 es un marco muy eficaz para el diagnóstico automatizado de enfermedades del arroz.
• El modelo ofrece una herramienta práctica para mejorar la productividad agrícola.
• Este enfoque de IA apoya la agricultura sostenible y la seguridad alimentaria.