Transformando la salud de los cultivos de tomate: introducción de un método para la detección y segmentación avanzada de enfermedades de las hojas

Los métodos tradicionales de identificación de enfermedades, basados ??en el juicio humano subjetivo, han demostrado ser ineficaces y poco fiables.

La llegada de la tecnología de procesamiento de imágenes, en particular el aprendizaje profundo, ha revolucionado la detección de enfermedades en la agricultura. Estas técnicas implican recopilar y procesar imágenes de enfermedades, extraer características y entrenar modelos para una identificación precisa; A pesar de los avances, persisten desafíos, como detectar con precisión síntomas de enfermedades pequeños o borrosos.

Los investigadores han desarrollado varios métodos para superar estas limitaciones, incluida la optimización de modelos y el empleo de algoritmos avanzados. Sin embargo, el aprendizaje profundo en el reconocimiento de enfermedades de las plantas todavía enfrenta desafíos como la complejidad y la adaptabilidad a diversos entornos agrícolas, lo que orienta la investigación en curso hacia la mejora de estas tecnologías.

En mayo de 2023, Plant Phenomics publicó un artículo de investigación titulado ” Un método eficaz de segmentación de enfermedades de las hojas del tomate basado en imágenes utilizando MC-UNet “.

La investigación presenta el mecanismo de fusión de atención entre capas combinado con un módulo de convolución multiescala (MC-UNet), un método mejorado de segmentación de enfermedades de las hojas del tomate basado en imágenes basado en UNet. Este método incorpora un módulo de convolución multiescala para obtener información multiescala sobre la enfermedad del tomate utilizando núcleos de convolución de varios tamaños y enfatizando las características de los bordes.

El mecanismo de fusión de atención entre capas se emplea para identificar ubicaciones de enfermedades en las hojas de tomate, utilizando SoftPool para la retención de información y la función SeLU para evitar la pérdida de neuronas. MC-UNet demostró una precisión del 91,32 % y 6,67 millones de parámetros en un conjunto de datos de creación propia, lo que afirma su eficacia para la segmentación de enfermedades de las hojas del tomate.

La investigación demostró que MC-UNet supera a otros modelos en la segmentación de enfermedades del tomate. Se analizó la eficacia de módulos individuales como el Módulo de convolución multiescala (MCM) y el Mecanismo de fusión de atención entre capas (CAFM). MCM fue eficiente en la extracción de información de características y CAFM mejoró el rendimiento del modelo al mejorar la fusión de resultados multiescala.

El uso de SoftPool como capa de agrupación mostró una mejora notable en el rendimiento de la red en comparación con el MaxPool original en UNet. Los experimentos de ablación confirmaron la eficacia de cada módulo, siendo CAFM el que logró la mejora más significativa. También se evaluó la solidez de MC-UNet en diferentes entornos de iluminación, lo que demuestra su rendimiento superior sobre la red de referencia UNet, especialmente en enfermedades de hojas pequeñas y con bordes borrosos.

El experimento concluyó que MC-UNet es un modelo adecuado para la segmentación de enfermedades de las hojas del tomate . Supera significativamente a otras redes en precisión y tiene una gran capacidad de generalización. Sin embargo, mostró limitaciones al tratar con entornos complejos, lo que indica la necesidad de investigaciones futuras centradas en modelos de segmentación de múltiples etapas y conjuntos de datos con entornos complejos para mejorar la resistencia del modelo a la interferencia.