Un enfoque para la detección de enfermedades de las plantas utilizando técnicas de aprendizaje profundo

La agricultura es la columna vertebral de la economía india. Los sistemas agrícolas convencionales ya no están siendo seguidos por nuestra generación, debido a la falta de conocimiento y experiencia. El avance de las tecnologías allana un camino que hace una transición de los métodos agrícolas tradicionales a la agricultura inteligente mediante la automatización de los procesos involucrados. Los desafíos que enfrenta la agricultura actual son el agotamiento de los nutrientes del suelo, las enfermedades causadas por plagas que conducen a una baja productividad, los problemas de riego, la erosión del suelo, la escasez de instalaciones de almacenamiento, la disponibilidad de semillas de calidad, la falta de transporte, la mala comercialización, etc. Entre todos estos desafíos en la agricultura, la predicción de enfermedades sigue siendo un tema importante que debe abordarse. La identificación de enfermedades basadas en la inspección visual es la forma tradicional de cultivo que necesita el conocimiento y la experiencia para manejarlas que obtiene un buen rendimiento. Automatizar el proceso de detección e identificación a través de la inspección visual (cognitiva) es la motivación detrás de este trabajo. Esto es posible gracias a la disponibilidad de imágenes de la planta o partes de plantas, ya que la mayoría de las enfermedades se reflejan en las hojas. Se propuso una arquitectura de red de aprendizaje profundo llamada Red de Detección de Enfermedades de las plantas por sus siglas en inglés (Plant Disease Detection Network PDDNet-cv) y un enfoque de aprendizaje por transferencia para identificar enfermedades en las plantas. Nuestro sistema propuesto se compara con VGG19, ResNet50, InceptionResNetV2, los métodos de vanguardia reportados en [9, 13, 5] y los resultados muestran que nuestro método está funcionando significativamente mejor que los sistemas existentes. Nuestra propuesta PDDNet-cv ha logrado una precisión de clasificación promedio del 99,09% en la detección de diferentes clases de enfermedades. La arquitectura no tan profunda propuesta, está funcionando bien en comparación con otras arquitecturas de aprendizaje profundo en términos de rendimiento y tiempo computacional.

• Autores: Bhuvana, J; Mirnalinee, T. T
• Fecha de publicación: 2021
• Institución: Universidad Santo Tomás
• Repositorio: Universidad Santo Tomás
• Idioma: eng
• OAI Identifier: oai:repository.usta.edu.co:11634/40939
• Acceso en línea: http://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/2615
• License: Copyright (c) 2021 ITECKNE