Detección Automática y Fiable de Enfermedades de Hojas Usando Técnicas de Aprendizaje Profundo

Las plantas son una fuente importante de alimentos para la población mundial. Las enfermedades de las plantas contribuyen a la pérdida de producción, la cual puede abordarse con un monitoreo continuo. El monitoreo manual de enfermedades en plantas es laborioso y propenso a errores. La detección temprana de enfermedades en plantas utilizando visión por computadora e inteligencia artificial (IA) puede ayudar a reducir los efectos adversos de las enfermedades y también superar las limitaciones del monitoreo humano continuo. En este trabajo, proponemos el uso de una arquitectura de aprendizaje profundo basada en una red neuronal convolucional reciente llamada EfficientNet sobre 18,161 imágenes de hojas de tomate en su estado plano y segmentado para clasificar enfermedades del tomate. Se informa sobre el rendimiento de dos modelos de segmentación, es decir, U-net y U-net Modificado, para la segmentación de hojas. También se informa sobre el rendimiento comparativo de los modelos para clasificación binaria (hojas sanas y no sanas), clasificación de seis clases (hojas sanas y varios grupos de hojas enfermas) y clasificación de diez clases (hojas sanas y varios tipos de hojas no sanas). El modelo de segmentación U-net modificado mostró precisión, IoU y puntaje de Dice del 98.66%, 98.5%, y 98.73%, respectivamente, para la segmentación de imágenes de hojas. EfficientNet-B7 mostró un rendimiento superior para la clasificación binaria y la clasificación de seis clases utilizando imágenes segmentadas con una precisión del 99.95% y 99.12%, respectivamente. Finalmente, EfficientNet-B4 alcanzó una precisión del 99.89% para la clasificación de diez clases utilizando imágenes segmentadas. Se puede concluir que todas las arquitecturas funcionaron mejor al clasificar las enfermedades cuando se entrenaron con redes más profundas en imágenes segmentadas. El rendimiento de cada uno de los estudios experimentales reportados en este trabajo supera la literatura existente.