Modelos de Aprendizaje Profundo para la Detección y Evaluación de la Severidad de la Mancha Foliar de Cercospora () en Pimientos Bajo Condiciones Naturales
Autores: Leite, Douglas Vieira; de Brito, Alisson Vasconcelos; Faccioli, Gregorio Guirada; Haddad Souza Vieira, Gustavo
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Modelos de Aprendizaje Profundo para la Detección y Evaluación de la Severidad de la Mancha Foliar de Cercospora () en Pimientos Bajo Condiciones Naturales
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Severidad de enfermedades de las plantas
Aprendizaje profundo
CNNs
Segmentación de imágenes
Mancha foliar de Cercospora
Clasificación de severidad.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 12
Citaciones: Sin citaciones
La evaluación precisa de la gravedad de las enfermedades de las plantas es crucial para una gestión efectiva de los cultivos. El aprendizaje profundo, especialmente a través de las CNN, se utiliza ampliamente para la segmentación de imágenes en la detección de lesiones en plantas, pero evaluar con precisión la gravedad de la enfermedad en diversas condiciones ambientales sigue siendo un desafío. Este estudio evalúa ocho modelos de aprendizaje profundo para detectar y cuantificar la gravedad de las manchas foliares de Cercospora en chiles bajo condiciones naturales de campo. Se desarrolló un conjunto de datos personalizado de 1645 imágenes de hojas de chile, recolectadas de una plantación brasileña y anotadas con 6282 lesiones, para reflejar la robustez en el mundo real, reflejando la variabilidad real en la iluminación y el fondo. Primero, se desarrolló un algoritmo para procesar imágenes en bruto, aplicando selección de ROI y eliminación de fondo. Luego, se ajustaron cuatro modelos de YOLOv8 y cuatro modelos de Mask R-CNN para la segmentación a nivel de píxel y clasificación de gravedad, comparando modelos de una y dos etapas para ofrecer información práctica para aplicaciones agrícolas. En la segmentación a nivel de píxel en el conjunto de datos de prueba, Mask R-CNN logró una precisión superior con una media de intersección sobre unión (MIoU) de 0.860 y un F1-score de 0.924 para el modelo mask_rcnn_R101_FPN_3x, en comparación con 0.808 y 0.893 para el modelo YOLOv8s-Seg. Sin embargo, en la clasificación de gravedad, Mask R-CNN subestimó los niveles de gravedad más altos, con una precisión del 72.3% para el nivel III, mientras que YOLOv8 alcanzó el 91.4%. Además, YOLOv8 demostró una mayor eficiencia, con un tiempo de inferencia de 27 ms frente a 89 ms para Mask R-CNN. Mientras que Mask R-CNN sobresale en precisión de segmentación, YOLOv8 ofrece un equilibrio atractivo entre velocidad y clasificación de gravedad confiable, lo que lo hace adecuado para la evaluación en tiempo real de enfermedades de las plantas en aplicaciones agrícolas.
Descripción
La evaluación precisa de la gravedad de las enfermedades de las plantas es crucial para una gestión efectiva de los cultivos. El aprendizaje profundo, especialmente a través de las CNN, se utiliza ampliamente para la segmentación de imágenes en la detección de lesiones en plantas, pero evaluar con precisión la gravedad de la enfermedad en diversas condiciones ambientales sigue siendo un desafío. Este estudio evalúa ocho modelos de aprendizaje profundo para detectar y cuantificar la gravedad de las manchas foliares de Cercospora en chiles bajo condiciones naturales de campo. Se desarrolló un conjunto de datos personalizado de 1645 imágenes de hojas de chile, recolectadas de una plantación brasileña y anotadas con 6282 lesiones, para reflejar la robustez en el mundo real, reflejando la variabilidad real en la iluminación y el fondo. Primero, se desarrolló un algoritmo para procesar imágenes en bruto, aplicando selección de ROI y eliminación de fondo. Luego, se ajustaron cuatro modelos de YOLOv8 y cuatro modelos de Mask R-CNN para la segmentación a nivel de píxel y clasificación de gravedad, comparando modelos de una y dos etapas para ofrecer información práctica para aplicaciones agrícolas. En la segmentación a nivel de píxel en el conjunto de datos de prueba, Mask R-CNN logró una precisión superior con una media de intersección sobre unión (MIoU) de 0.860 y un F1-score de 0.924 para el modelo mask_rcnn_R101_FPN_3x, en comparación con 0.808 y 0.893 para el modelo YOLOv8s-Seg. Sin embargo, en la clasificación de gravedad, Mask R-CNN subestimó los niveles de gravedad más altos, con una precisión del 72.3% para el nivel III, mientras que YOLOv8 alcanzó el 91.4%. Además, YOLOv8 demostró una mayor eficiencia, con un tiempo de inferencia de 27 ms frente a 89 ms para Mask R-CNN. Mientras que Mask R-CNN sobresale en precisión de segmentación, YOLOv8 ofrece un equilibrio atractivo entre velocidad y clasificación de gravedad confiable, lo que lo hace adecuado para la evaluación en tiempo real de enfermedades de las plantas en aplicaciones agrícolas.