Un estudio comparativo y optimización de modelos de aprendizaje profundo para la identificación de enfermedades en hojas de uva

Antecedentes: En el ámbito del cultivo de uvas, las dificultades persistentes para prevenir gérmenes y virus representan riesgos significativos para la viabilidad económica. Los avances modernos en inteligencia artificial, aprendizaje automático, aprendizaje profundo (IA, AM y AP) y visión por computadora han producido métodos eficientes para identificar y clasificar infecciones virales en uvas. Métodos: El desarrollo y mejora de algoritmos de aprendizaje profundo diseñados específicamente para identificar y categorizar infecciones en hojas de uva es el enfoque de este estudio. Utilizando técnicas de inteligencia profunda, se emplearon cinco algoritmos de aprendizaje profundo predeterminados: DenseNet121, VGG19, VGG16, InceptionV3 y ResNet50V2. Resultado: Al comparar la precisión de entrenamiento, precisión de validación, pérdida de entrenamiento y pérdida de validación de estos cinco modelos de aprendizaje profundo, el modelo Densenet121 ha mostrado el mejor rendimiento. El modelo Densenet121 logró una puntuación de recall y precisión del 99.86%. Estos hallazgos demuestran el enorme alcance de nuestro método para el uso real en la producción de hojas de uva, ofreciendo un método más económico y factible para prevenir enfermedades y minimizar daños monetarios.