Desde plantas hasta píxeles: el papel de la inteligencia artificial en la identificación de la Sericea Lespedeza en estudios de campo
Autores: Siddique, Aftab; Cook, Kyla; Holt, Yasmin; Panda, Sudhanshu S.; Mahapatra, Ajit K.; Morgan, Eric R.; van Wyk, Jan A.; Terrill, Thomas H.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Desde plantas hasta píxeles: el papel de la inteligencia artificial en la identificación de la Sericea Lespedeza en estudios de campo
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Redes neuronales convolucionales
CNN
Clasificación de imágenes
ResNet50
VGG16
Optimización
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
El aumento del uso de redes neuronales convolucionales (CNN) ha traído consigo una transformación significativa en numerosos campos, como la categorización e identificación de imágenes. En el desarrollo de un modelo CNN para clasificar imágenes de sericea lespedeza [SL; (Dum-Cours) G. Don] de imágenes de malezas, se exploraron cuatro arquitecturas: la variante 1 del modelo CNN, la variante 2 del modelo CNN, el modelo Visual Geometry Group (VGG16) y ResNet50. La variante 1 del modelo CNN (normalización de lotes con método de eliminación ajustado) demostró una precisión de validación del 100%, mientras que la variante 2 (optimización RMSprop con tasa de aprendizaje ajustada) logró una precisión de validación del 90.78%. También se analizaron modelos pre-entrenados, como VGG16 y ResNet50. En contraste, el patrón de aprendizaje constante de ResNet50 indicó el potencial para una mejor generalización. Una evaluación detallada de estos modelos reveló que la variante 1 logró una puntuación perfecta en precisión, recall y puntuación F1, lo que indica una optimización superior y una mejor utilización de características. La variante 2 presentó un rendimiento equilibrado, con métricas entre el 86% y el 93%. VGG16 reflejó el comportamiento de la variante 2, manteniendo ambos alrededor del 90% de precisión. En contraste, los resultados de ResNet50 revelaron un enfoque conservador para las predicciones de la clase 0. En general, la variante 1 destacó en rendimiento, mientras que tanto la variante 2 como VGG16 mostraron resultados equilibrados. La fiabilidad de la variante 1 del modelo CNN se destacó por los porcentajes significativos de precisión, lo que sugiere un potencial para implementación práctica en la agricultura. Además de lo anterior, una aplicación de teléfono inteligente para la identificación de SL en un ensayo de campo mostró resultados prometedores con una precisión del 98-99%. La conclusión de lo anterior es que un modelo CNN con normalización de lotes tiene el potencial de desempeñar un papel crucial en el futuro al redefinir y optimizar la gestión de vegetación indeseable.
Descripción
El aumento del uso de redes neuronales convolucionales (CNN) ha traído consigo una transformación significativa en numerosos campos, como la categorización e identificación de imágenes. En el desarrollo de un modelo CNN para clasificar imágenes de sericea lespedeza [SL; (Dum-Cours) G. Don] de imágenes de malezas, se exploraron cuatro arquitecturas: la variante 1 del modelo CNN, la variante 2 del modelo CNN, el modelo Visual Geometry Group (VGG16) y ResNet50. La variante 1 del modelo CNN (normalización de lotes con método de eliminación ajustado) demostró una precisión de validación del 100%, mientras que la variante 2 (optimización RMSprop con tasa de aprendizaje ajustada) logró una precisión de validación del 90.78%. También se analizaron modelos pre-entrenados, como VGG16 y ResNet50. En contraste, el patrón de aprendizaje constante de ResNet50 indicó el potencial para una mejor generalización. Una evaluación detallada de estos modelos reveló que la variante 1 logró una puntuación perfecta en precisión, recall y puntuación F1, lo que indica una optimización superior y una mejor utilización de características. La variante 2 presentó un rendimiento equilibrado, con métricas entre el 86% y el 93%. VGG16 reflejó el comportamiento de la variante 2, manteniendo ambos alrededor del 90% de precisión. En contraste, los resultados de ResNet50 revelaron un enfoque conservador para las predicciones de la clase 0. En general, la variante 1 destacó en rendimiento, mientras que tanto la variante 2 como VGG16 mostraron resultados equilibrados. La fiabilidad de la variante 1 del modelo CNN se destacó por los porcentajes significativos de precisión, lo que sugiere un potencial para implementación práctica en la agricultura. Además de lo anterior, una aplicación de teléfono inteligente para la identificación de SL en un ensayo de campo mostró resultados prometedores con una precisión del 98-99%. La conclusión de lo anterior es que un modelo CNN con normalización de lotes tiene el potencial de desempeñar un papel crucial en el futuro al redefinir y optimizar la gestión de vegetación indeseable.