Detección de enfermedades foliares con arquitecturas de redes neuronales convolucionales

Resumen

Cuando los diferentes tipos de cultivos empiezan a verse afectados por diversas enfermedades, dicha afectación se manifiesta en su crecimiento y desarrollo, por eso la importancia de la detección temprana de enfermedades. Se describe un enfoque para desarrollar modelos de deep learning capaces de reconocer las enfermedades de plantas de interés comercial por medio de la clasificación de imágenes foliares, para lo cual se utilizó una microcomputadora Raspberry Pi 4 para su implementación en hardware. Algunos modelos empleados de un subconjunto de la inteligencia
artificial, denominado deep learning, se utilizaron para la detección de plagas por medio de transfer learning con ajuste fino, con el fin de obtener altos índices de precisión con base en el conjunto de datos de Plant Village, que contiene treinta y ocho clases diferentes, que incluyen hojas enfermas y saludables. El objetivo principal del estudio es clasificar las diferentes clases de plantas con alta precisión, utilizando redes neuronales convolucionales con transfer learning implementado en un dispositivo hardware; los modelos fueron evaluados a través de un análisis basado en precisión, sensibilidad, F-Score y exactitud. Los resultados obtenidos presentan valores significativos obtenidos por la técnica VGG16, con 90% de sensibilidad y 90% de exactitud. Por lo anterior, es posible concluir que el modelo VGG16 es una herramienta útil para los agricultores en la identificación y protección de las plantas de las enfermedades mencionadas.