Mejorando la practicidad del aprendizaje profundo para la identificación de enfermedades de cultivos en condiciones de campo: perspectivas de la evaluación del modelo y enfoques específicos para cultivos

Las enfermedades de los cultivos pueden provocar pérdidas significativas en el rendimiento y escasez de alimentos si no son identificadas y gestionadas rápidamente por los agricultores. Con los avances en las redes neuronales convolucionales (CNN) y la amplia disponibilidad de smartphones, la identificación automatizada y precisa de enfermedades de cultivos se ha vuelto factible. Sin embargo, aunque estudios previos han logrado una alta precisión (>95%) en condiciones de laboratorio (Lab) utilizando conjuntos de datos mixtos de múltiples cultivos, estos modelos a menudo flaquean cuando se implementan en condiciones de campo (Field). En este estudio, tuvimos como objetivo evaluar la precisión de identificación de enfermedades en condiciones de Lab, Field y Mixto (Lab y Field) utilizando un conjunto de datos ensamblado que abarca 14 enfermedades de manzana (Malus × domestica Borkh.), papa (Solanum tuberosum L.) y tomate (Solanum lycopersicum L.). Además, investigamos el impacto de las arquitecturas de los modelos, tamaños de parámetros y modelos específicos para cultivos (CSMs) en la precisión, utilizando DenseNets, ResNets, MobileNetV3, EfficientNet y VGG Nets.