Revista de Ciencias Agrícolas e Investigación Alimentaria
Acceso abierto

abstracto

Detección de enfermedades de las plantas mediante redes neuronales convolucionales avanzadas con conocimiento de la región de interés

Aprendizaje automático; Aprendizaje profundo; Detección de enfermedades de las plantas; CNN profunda; Region de interes

La llegada del aprendizaje profundo ha allanado el camino para aplicaciones de visión artificial más eficientes. En el monitoreo de cultivos agrícolas con enfoques impulsados por la tecnología, es indispensable contar con la identificación de enfermedades de las plantas. Investigaciones recientes revelan que la red neuronal convolucional (CNN) es el método de aprendizaje profundo más adecuado para procesar imágenes de hojas para detectar enfermedades. Como los síntomas de la enfermedad de la hoja aparecen en un área específica, considerar la hoja entera para el procesamiento incurre en más tiempo y costo computacional, además de deteriorar el rendimiento debido a la calidad inadecuada del entrenamiento. Para superar este problema, propusimos un marco que considera la extracción de la región de interés (ROI) usando CNN profundo antes de la predicción de modelos de aprendizaje profundo previamente entrenados como VGG13, ResNet34, DenseNet19, AlexNet, Sqeezenet1_1 e Inception_v3. Se define un algoritmo llamado Creación de mapa de características de ROI (ROI-FMC) para extraer el ROI para una imagen de entrada dada. Esto se proporcionará como entrada para otro algoritmo propuesto, a saber, Deep CNN basado en ROI con aprendizaje de transferencia para la predicción de enfermedades de las hojas (ROIDCNN-LDP). Este último se utiliza para predecir enfermedades de las hojas. El conjunto de datos de Plant Village se utiliza para el estudio empírico. Los resultados experimentales revelaron que con conciencia del ROI, todos los modelos podrían funcionar bien. Sin embargo, Inception_v3 es el modelo CNN profundo que supera a otros modelos.