Los puntos clave no están disponibles para este artículo en este momento.
Durante las últimas décadas, las enfermedades de las hojas de algodón se han convertido en un desafío significativo para los agricultores, lo que ha llevado a pérdidas sustanciales en las cosechas, la productividad y los recursos financieros. Los métodos de observación tradicionales suelen ser laboriosos, costosos y propensos a imprecisiones, lo que agrava la difícil situación de los agricultores para detectar e identificar enfermedades en sus primeras etapas. Las consecuencias de la detección tardía son graves, y tanto los cultivos como los agricultores sufren el peso de infecciones prolongadas. Este estudio propone un método para mejorar la detección de enfermedades de las hojas de algodón aplicando técnicas avanzadas de aprendizaje profundo por transferencia. Utilizando modelos como ResNet101, Inception v2 y DenseNet121, y ajustando parámetros con el gradiente acelerado de Nesterov, el sistema propuesto ofrece una herramienta poderosa para que los agricultores diagnostiquen rápidamente y con precisión enfermedades foliares. Este sistema permite a los usuarios subir simplemente una imagen de una hoja de algodón. Después de aplicar técnicas sofisticadas de procesamiento de imágenes, se despliega una Red Neuronal Convolucional (CNN) para detectar la presencia de enfermedades de las hojas de algodón con alta precisión y eficiencia. Los resultados experimentales demostraron la efectividad de los enfoques de aprendizaje por transferencia, con la CNN alcanzando una impresionante precisión del 99%, mientras que ResNet101, Inception v2 y DenseNet121 alcanzaron 75.36%, 97.32% y 97.16%, respectivamente. Estos hallazgos subrayan el potencial de las técnicas de aprendizaje profundo para revolucionar la detección de enfermedades en contextos agrícolas, ofreciendo a los agricultores una herramienta poderosa para mitigar el impacto de las enfermedades en sus cultivos.
Nagarjun et al. (Vie,) estudiaron esta cuestión.