Pasar al contenido principal

Inteligencia Artificial- Detección de plagas y enfermedades del banano

Inglés

El banano ( Musa spp.) es el cultivo de fruta comercializable más popular del mundo y un alimento básico dominante en muchos países en desarrollo. A nivel mundial, la producción de banano se ve afectada por numerosas enfermedades y plagas. Los métodos novedosos y rápidos para la detección oportuna de plagas y enfermedades permitirán vigilar y desarrollar medidas de control con mayor eficiencia. A medida que las redes neuronales convolucionales profundas (DCNN) y el aprendizaje por transferencia se han aplicado con éxito en varios campos, recientemente se ha movido en el dominio de la detección de enfermedades de cultivos justo a tiempo. El objetivo de esta investigación es desarrollar un sistema de detección de plagas y enfermedades del banano basado en IA utilizando un DCNN para apoyar a los productores de banano.

Resultados
Se recopilaron grandes conjuntos de datos de imágenes de síntomas y daños de plagas preexaminados por expertos en plátanos y plagas de varios puntos críticos en África y el sur de la India. Para construir un modelo de detección, volvimos a entrenar tres arquitecturas diferentes de redes neuronales convolucionales (CNN) utilizando un enfoque de aprendizaje de transferencia. Se desarrollaron un total de seis modelos diferentes a partir de 18 clases diferentes (enfermedad por partes de la planta) utilizando imágenes recopiladas de diferentes partes de la planta de banano. Nuestros estudios revelaron que los modelos basados ​​en ResNet50 e InceptionV2 se desempeñaron mejor en comparación con MobileNetV1. Estas arquitecturas representan los resultados más avanzados de las enfermedades del banano y la detección de plagas con una precisión de más del 90% en la mayoría de los modelos probados. Estos resultados experimentales fueron comparables con otros modelos de vanguardia encontrados en la literatura. Con una visión futura para ejecutar estas capacidades de detección en un dispositivo móvil, evaluamos el rendimiento de SSD (detector de disparo único) MobileNetV1. Las métricas de rendimiento y validación también se calcularon para medir la precisión de diferentes modelos en los métodos automatizados de detección de enfermedades.

Conclusión
Nuestros resultados mostraron que el DCNN era una estrategia robusta y fácil de implementar para la detección de plagas y enfermedades digitales del banano. Mediante el uso de un modelo de reconocimiento de enfermedades pre-entrenado, pudimos realizar el aprendizaje de transferencia profunda (DTL) para producir una red que pueda hacer predicciones precisas. Esta alta tasa de éxito hace que el modelo sea una herramienta útil para la detección temprana de enfermedades y plagas, y esta investigación podría extenderse aún más para desarrollar una aplicación móvil totalmente automatizada para ayudar a millones de productores de banano en países en desarrollo.

Plant methods 15:92(2019):1-11

 


Autor del documento: Michael Gomez Selvaraj, Alejandro Vergara, Henry Ruiz, Nancy Safari, Sivalingam Elayabalan, Walter Ocimati and Guy Blomme
Ir al enlace