Un nuevo conjunto de datos y un banco de pruebas de detección de objetos mediante aprendizaje profundo para la vigilancia de plagas de la vid

La flavescencia dorée (FD) se destaca como una enfermedad significativa de la vid con graves implicaciones para los viñedos. La chicharrita de la vid americana (Scaphoideus titanus) sirve como el principal vector, transmitiendo el patógeno que causa pérdidas de rendimiento y costos elevados relacionados con la extracción y replantación. Otro posible vector de FD es la chicharrita mosaico, Orientus ishidae, comúnmente encontrada en agroecosistemas. El enfoque de monitoreo actual implica la identificación periódica por humanos de trampas cromotrópicas, un proceso laborioso y que consume tiempo. Por lo tanto, existe una necesidad apremiante de desarrollar un sistema automático de detección de plagas, aprovechando los recientes avances en visión por computadora y técnicas de aprendizaje profundo. Sin embargo, el progreso actual en el desarrollo de tal sistema se ve obstaculizado por la falta de conjuntos de datos efectivos que sirvan como datos de verdad conocida para el proceso de entrenamiento. Para llenar este vacío, nuestro estudio contribuye con un conjunto de datos completamente anotado de S. titanus y Or. ishidae a partir de trampas adhesivas amarillas. El conjunto de datos comprende más de 400 imágenes, con 1000 identificaciones por clase. Guiados por entomólogos, la tarea de anotación implicó definir cuadros delimitadores alrededor de insectos relevantes con etiquetas de clase correspondientes. Entrenamos y comparamos el rendimiento de algoritmos de detección de objetos de vanguardia (YOLOv8 y Faster R-CNN). El preprocesamiento incluyó recorte automático para eliminar información de fondo irrelevante y mejoras de imagen para mejorar la calidad general. Además, probamos el impacto de alterar la resolución de la imagen, la augmentación de datos y la detección de una sola clase. Los resultados preliminares alcanzaron una alta precisión de detección, con un mAP@50 y un F1-score por encima del 90%, y mAP@50-95 alrededor del 70%, permitiendo un primer despliegue como herramienta de soporte automático de anotación.