En respuesta a los desafíos que presentan los síntomas de enfermedades visualmente similares, el ruido de fondo complejo y la necesidad de clasificación de enfermedades en vegetales de hoja de alto nivel de detalle, este estudio propone ProtoLeafNet—un modelo de aprendizaje profundo basado en atención para la detección y segmentación de enfermedades en múltiples tareas. Al integrar un mecanismo de atención guiado por prototipos de clase con una función de pérdida de prototipo, el modelo mejora efectivamente el enfoque en las áreas de lesiones y mejora la discriminación de categorías. La arquitectura aprovecha un marco de tarea dual que combina la detección de objetos y la segmentación semántica, logrando un rendimiento robusto en escenarios agrícolas reales. Los resultados experimentales demuestran que el modelo alcanza una precisión de detección del 93.12%, una recuperación del 90.27%, una exactitud del 91.45%, y puntajes de mAP de 91.07% y 90.25% en umbrales de IoU del 50% y 75%, respectivamente. En la tarea de segmentación, el modelo logra una precisión del 91.79%, una recuperación del 90.80%, una exactitud del 93.77%, y mAP@50 y mAP@75 ambos alcanzando 90.80%. Las evaluaciones comparativas contra modelos de última generación como YOLOv10 y TinySegformer verifican la superior precisión de detección y la capacidad de segmentación fina de ProtoLeafNet. Estos resultados destacan el potencial de los mecanismos de atención prototipo para mejorar la robustez del modelo, ofreciendo un valor práctico para el monitoreo inteligente de enfermedades y la agricultura sostenible.
Fu et al. (Mon,) estudiaron esta cuestión.