Un nuevo híbrido ligero CNN-ViT para la clasificación de enfermedades de hojas de maíz

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por Computadora
• Inteligencia Artificial

Sus antecedentes:

• El maíz es un cultivo mundial fundamental que enfrenta pérdidas significativas de rendimiento debido a enfermedades de las plantas.
• El diagnóstico manual de enfermedades es laborioso, propenso a errores y carece de escalabilidad.
• Los métodos automatizados que utilizan aprendizaje profundo muestran potencial, pero enfrentan limitaciones con arquitecturas existentes como CNN y ViT.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo híbrido y ligero para un diagnóstico de enfermedades del maíz preciso y eficiente.
• Superar las limitaciones de las Redes Neuronales Convolucionales (CNN) para capturar el contexto global y los Requisitos de datos y computacionales de los Transformadores de Visión (ViT).

Principales métodos:

• Se propuso un nuevo modelo híbrido inspirado en las arquitecturas Mixture-of-Experts (MoE), que integra componentes CNN y ViT.
• El modelo equilibra adaptativamente la extracción de características locales y globales según las características de la imagen de entrada.
• Se evaluó el modelo en un nuevo conjunto de datos del mundo real que comprende imágenes completas de plantas de maíz.

Principales resultados:

• Se logró una precisión de clasificación excepcionalmente alta del 99,90 % en el conjunto de datos de enfermedades del maíz.
• Superó significativamente a los modelos de vanguardia establecidos, incluidos MobileViT, PiT, EdgeNeXt y DeiT.
• Se demostró la efectividad de las arquitecturas híbridas ligeras para el diagnóstico de enfermedades de plantas.

Conclusiones:

• Los modelos híbridos ligeros de aprendizaje profundo ofrecen una solución viable para el diagnóstico automatizado de enfermedades de plantas de alto rendimiento.
• El modelo desarrollado muestra una gran promesa para la implementación práctica en entornos agrícolas para mejorar la gestión de cultivos.
• Este enfoque aborda la necesidad de herramientas de diagnóstico eficientes y precisas para salvaguardar la seguridad alimentaria mundial.