As doenças das folhas afetam significativamente a produtividade do milho. A detecção precoce e oportuna dessas doenças ajudam a reduzir a perda de cultivo. Também assegura práticas agrícolas sustentáveis. O exame tradicional de folhas por meio de métodos manuais é demorado, subjetivo e difícil de escalar, especialmente ao trabalhar em grandes campos agrícolas. No trabalho atual, foi desenvolvido um framework híbrido leve de aprendizado profundo (DL) para detecção de doenças em folhas de milho. O framework proposto é baseado no MobileNetV2 integrado a um mecanismo de atenção espacial. A espinha dorsal MobileNetV2 permite uma extração eficaz de características e o módulo de atenção ajuda a melhorar a capacidade do modelo de focar nas regiões afetadas pela doença. Para aumentar a generalização e reduzir o overfitting, várias estratégias de treinamento são empregadas. Isso inclui a augmentação MixUp, média móvel exponencial (EMA) e suavização de rótulos. A avaliação do modelo é realizada em conjuntos de dados com condições semi-realistas, com variações moderadas de fundo e iluminação. Uma precisão máxima de aproximadamente 97,45% foi alcançada pela abordagem proposta, conforme confirmado pelos resultados da avaliação, e apresenta uma convergência estável. Essas descobertas indicam que arquiteturas leves, quando combinadas sinergicamente com mecanismos de atenção e estratégias de treinamento robustas, podem alcançar alta precisão. A arquitetura também preserva a eficiência computacional. Isso as torna adequadas para implantação agrícola no mundo real.
Kumari et al. (Qui,) estudaram esta questão.