Artículo de investigación

Transferencia de aprendizaje y segmentación de UNet para la clasificación de enfermedades de la hoja de arroz como solución con una interfaz fácil de usar para usuarios no técnicos

DOI:

10.3791/68861

24 de octubre de 2025

En este artículo

Resumen

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este protocolo describe una canalización de aprendizaje profundo basada en imágenes para clasificar las enfermedades de la hoja de arroz. Combina la segmentación basada en UNet y los modelos de aprendizaje de transferencia para mejorar la precisión. El enfoque admite la detección automatizada de enfermedades e incluye una interfaz de usuario para una implementación práctica, lo que ayuda a los no expertos a identificar problemas de cultivos de arroz.

Resumen

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

El arroz es un cultivo alimentario vital que sustenta a miles de millones de personas en todo el mundo, y el cultivo de arroz es vital para la estabilidad económica de numerosas naciones, actuando como un contribuyente clave a los ingresos y el empleo en las comunidades agrícolas, especialmente en Asia. A pesar de su importancia, el cultivo de arroz se ve obstaculizado por diversas enfermedades de las hojas como el tungro, el tizón de la vaina (SB), el padrino hispa (PH), el brusón del cuello (NB), la mancha marrón estrecha (NBS), el escaldadura de la hoja (LS), el brusón de la hoja (LB), la mancha marrón (BS) y el tizón bacteriano de la hoja (BLB), todos los cuales afectan negativamente el rendimiento y la calidad del grano. Para abordar estos problemas, este estudio propone un enfoque de aprendizaje profundo personalizado basado en el aprendizaje por transferencia. Se evaluaron seis modelos distintos, con el modelo DenseNet-121 personalizado que ofrece el mejor rendimiento, logrando una precisión de 0,98, una precisión de 0,97 y una recuperación de 0,96. Para mejorar el rendimiento del modelo, la segmentación de imágenes se realizó mediante el modelo UNet, que mejoró significativamente la precisión mediante la creación de un conjunto de datos de imágenes segmentadas. Los seis modelos se probaron en dos conjuntos de datos: uno que contenía imágenes segmentadas y el otro con imágenes no segmentadas, ambos derivados del conjunto de datos de detección de enfermedades de la hoja de arroz. Además, se desarrolló una interfaz gráfica simple e intuitiva para permitir a los usuarios sin conocimientos técnicos interactuar convenientemente con el modelo e identificar enfermedades de las hojas de arroz. Esta solución integrada destaca la eficacia del aprendizaje profundo para proporcionar métodos confiables y escalables para clasificar las enfermedades de las hojas de arroz.

Introducción

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

El arroz es una piedra angular de la agricultura mundial, sustenta a miles de millones de personas y forma la columna vertebral económica de numerosas naciones, particularmente en Asia, donde representa una parte sustancial tanto del consumo de alimentos comode los medios de subsistencia. Sin embargo, la producción sostenible de arroz está cada vez más amenazada debido a diversos factores biológicos y ambientales, y las enfermedades de las hojas se encuentran entre los desafíos más críticos. Enfermedades como el tizón bacteriano de las hojas, la mancha marrón y el brusón del arroz 2,3 pueden reducir significativamente el rendimiento de los cultivos, degradar la calidad del grano y provocar pérdidas financieras sustanciales para los agricultores4.

Para abordar estos problemas, la clasificación de las enfermedades de las hojas de arroz se ha convertido en una herramienta esencial en la fitopatología5. La identificación temprana y precisa de tales enfermedades permite una intervención oportuna, mitigando la propagación y el impacto de las infecciones. Tradicionalmente, esta tarea se basa en la inspección visual experta, que, si bien es efectiva en entornos a pequeña escala, sufre limitaciones como la subjetividad, la intensidad de la mano de obra y la escalabilidad limitada en grandes áreas agrícolas.

Los avances recientes en Machine Learning (ML) y Deep Learning (DL) han transformado significativamente la forma en que se detectan y clasifican las enfermedades de las plantas. Estas tecnologías utilizan imágenes de alta resolución de hojas infectadas para permitir la identificación automatizada, escalable y precisa de enfermedades. Esta automatización mejora la consistencia, reduce el error humano y respalda la toma de decisiones en tiempo real para los agricultores6.

Varios estudios contemporáneos también han explorado enfoques innovadores para mejorar el diagnóstico agrícola. Por ejemplo, los estudios a nivel de ARN, como la supresión de la defensa mediada por circANK, han abierto nuevas vías biológicas en la comprensión de la enfermedad del arroz7, mientras que los marcos basados en la visión, como la segmentación de instancias de dos vías para la detección de hileras de arroz, han demostrado la utilidad del aprendizaje profundo en la agricultura de precisión8. Además, trabajos recientes como TMFF: Trustworthy Multi-Focus Fusion for multi-label classification in complex visual environments enfatizan la creciente importancia de los modelos DL híbridos y robustos para la implementación en el mundo real9.

Motivada por estos desarrollos, esta investigación avanza en la clasificación de la enfermedad de la hoja de arroz mediante la integración de la segmentación basada en UNet con modelos de aprendizaje de transferencia profunda. Este enfoque tiene como objetivo aislar las regiones enfermas con mayor precisión y clasificarlas utilizando redes preentrenadas eficientes. Al abordar las limitaciones de los métodos manuales tradicionales y mejorar el enfoque del modelo a través de la segmentación, este trabajo contribuye a mejorar el rendimiento de la clasificación, apoyar las prácticas agrícolas sostenibles y fortalecer los sistemas de seguridad alimentaria10.

Esquema de la clasificación de la enfermedad de la hoja de arroz

El arroz tiene una importancia incomparable como cultivo básico, alimentando a más del 50% de la población mundial y sirviendo como un motor económico clave para muchos países en desarrollo, particularmente en Asia11. Más allá de su papel en la seguridad alimentaria, el cultivo de arroz está profundamente arraigado en las prácticas culturales y sociales de numerosas regiones, lo que hace que su producción sostenida sea una prioridad para los gobiernos y las partes interesadas agrícolas. Sin embargo, la producción de arroz está plagada de desafíos y, entre ellos, las enfermedades de las hojas continúan poniendo en peligro tanto la productividad como la calidad de los cultivos de arroz. Los problemas generalizados como el tizón bacteriano de las hojas, la mancha marrón y el brusón del arroz contribuyen a pérdidas considerables de rendimiento12, afectando la producción mundial de arroz y poniendo a prueba las economías que dependen en gran medida de este alimento básico.

La clasificación de las enfermedades de las hojas es un componente vital de la gestión agrícola moderna, ya que proporciona la base para medidas de control de enfermedades oportunas y efectivas. La identificación oportuna permite a los agricultores controlar la propagación de enfermedades, hacer un uso eficiente de los agroquímicos y evitar daños significativos a los cultivos. Convencionalmente, este proceso ha dependido de la inspección visual realizada por profesionales agrícolas calificados. Si bien este método puede ser efectivo, requiere mucha mano de obra, requiere mucho tiempo y depende en gran medida del nivel de habilidad del observador. Además, en las operaciones agrícolas a gran escala, la inspección manual a menudo se vuelve poco práctica, especialmente cuando los síntomas sutiles son difíciles de identificar durante las fases iniciales de la infección13.

El advenimiento de sistemas automatizados para la clasificación de enfermedades foliares ha revolucionado el diagnóstico agrícola14. Estos sistemas aprovechan los avances en tecnologías de imágenes y DL para proporcionar soluciones escalables15, eficientes16 y altamente precisas17. El procesamiento de imágenes (IP), combinado con los modelos ML y DL, puede procesar imágenes de alta resolución de hojas de arroz para identificar síntomas de enfermedades, a menudo superando a los métodos tradicionales en precisión y velocidad. Al automatizar el proceso de clasificación, estos sistemas permiten a los agricultores y profesionales agrícolas tomar decisiones basadas en datos, reduciendo la dependencia de la experiencia humana y minimizando el riesgo de errores.

La clasificación de enfermedades de la hoja de arroz no solo garantiza una mayor productividad y una reducción de las pérdidas, sino que también contribuye a los objetivos más amplios de la agricultura sostenible. Al permitir la identificación precisa de enfermedades18, estas tecnologías ayudan a optimizarel uso de plaguicidas, minimizando así el impacto ambiental y promoviendo prácticas agrícolas ecológicas20 . Además, la integración de estos sistemas con aplicaciones móviles y herramientas de teledetección amplía su alcance a los pequeños agricultores en entornos de recursos limitados, fomentando la inclusión y la equidad en los avances agrícolas21.

La importancia del arroz como cultivo mundial subraya la necesidad de métodos sólidos, confiables y accesibles para la clasificación de enfermedades de las hojas22. Mediante el despliegue de estas tecnologías, el sector agrícola puede abordar uno de sus desafíos más apremiantes, garantizar la resiliencia y la sostenibilidad de la producción de arroz frente a las crecientes demandas y limitaciones ambientales.

Técnicas de modelado

El método sugerido para clasificar las enfermedades de las hojas de arroz integra varias técnicas sofisticadas para mejorar tanto la precisión como la eficacia:

Segmentación de imágenes: El primer paso consiste en segmentar las imágenes de las hojas para aislar el área foliar del fondo. Este paso reduce la complejidad computacional al eliminar las partes no deseadas23,24 de la imagen y mejora el enfoque en los patrones relevantes, lo que lleva a una mayor precisión.

Extracción de características: Las características se extraen de las imágenes segmentadas, capturando detalles críticos sobre los síntomas de la enfermedad25. Estas características forman la base del modelo de clasificación, lo que le permite distinguir eficientemente entre hojas sanas y enfermas.

Aprendizaje por transferencia: El aprendizaje por transferencia se utiliza para aprovechar el conocimiento de los modelos preentrenados, lo que minimiza en gran medida la necesidad de un entrenamiento extenso en nuevos conjuntos de datos. Este enfoque acelera el proceso de desarrollo al tiempo que mantiene una alta precisión y eficiencia26.

Modelo de clasificación de extremo a extremo: A diferencia de los métodos tradicionales que utilizan el aprendizaje por transferencia únicamente para la extracción de características, la metodología propuesta incorpora un marco de clasificación de extremo a extremo. Este enfoque holístico integra la extracción y clasificaciónde características 27,28 en una canalización sin fisuras, lo que garantiza un rendimiento óptimo.

Métricas de evaluación: Se aplican varias métricas de evaluación para analizar el rendimiento del modelo29, proporcionando información detallada sobre su exactitud, precisión, recuperación y eficiencia general. Este análisis exhaustivo ayuda a determinar eficazmente la fiabilidad y la idoneidad del modelo.

Lagunas en la investigación

A pesar de los avances significativos, siguen existiendo varios desafíos y limitaciones en el dominio de la clasificación de enfermedades foliares:

La identificación manual de enfermedades foliares depende en gran medida de expertos en el dominio, lo que la hace subjetiva e inconsistente. Incluso con un sólido conocimiento del dominio, los errores humanos en los enfoques manuales pueden provocar pérdidas significativas de cultivos.

Los métodos manuales requieren mucha mano de obra y no pueden funcionar las 24 horas del día, lo que los hace poco prácticos para el monitoreo continuo o a gran escala.

La investigación sobre la clasificación de enfermedades de las hojas es extensa, pero los estudios muy limitados se centran específicamente en la clasificación de las enfermedades de las hojas de arroz.

Estudios previos30generalmente han descuidado el uso del aprendizaje por transferencia para clasificar las enfermedades de las hojas de arroz.

Los modelos existentes a menudo carecen de generalización a través de diferentes condiciones ambientales y variantes de enfermedades, lo que limita su utilidad práctica31.

Los conjuntos de datos utilizados en los estudios actuales suelen ser pequeños y carecen de diversidad, lo que dificulta una aplicabilidad más amplia32.

Al abordar estas brechas, este estudio tiene como objetivo avanzar en el campo de la clasificación de enfermedades de la hoja de arroz a través de técnicas innovadoras y metodologías sólidas.

Principales contribuciones de este estudio

Esta investigación busca llenar estos vacíos mediante la creación y evaluación de un método personalizado basado en el aprendizaje profundo para clasificar las enfermedades de la hoja de arroz. Las contribuciones clave incluyen:

La utilización del aprendizaje por transferencia para aprovechar los pesos de los modelos preentrenados permite lograr una alta precisión en menos épocas de entrenamiento.

Demostrando que menos épocas de entrenamiento reducen la necesidad de una alta potencia computacional, lo que hace que el método sea accesible para usuarios con recursos computacionales limitados.

Desarrollar un modelo de clasificación de extremo a extremo que integre la segmentación, la extracción de características y la clasificación, proporcionando una solución integral.

Emplear la segmentación de datos y otras técnicas para mejorar la generalización del modelo en diversos conjuntos de datos.

Desafíos abiertos

A pesar de los prometedores resultados obtenidos en este estudio, siguen existiendo desafíos abiertos. Estos desafíos incluyen la necesidad de conjuntos de datos más grandes y diversos para mejorar la solidez y adaptabilidaddel modeloen diversas condiciones ambientalesy tipos de enfermedades, la incorporación de datos multimodales para aumentar la precisión de la predicción y el despliegue de modelos para uso en tiempo real en condiciones de campo. Además, lograr un equilibrio entre la eficiencia computacional y el rendimiento del modelo es crucial para garantizar la accesibilidad de los usuarios finales, especialmente en las zonas rurales y de escasos recursos.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Descripción del conjunto de datos

El conjunto de datos utilizado en esta investigación se obtuvo del repositorio Kaggle disponible públicamente titulado Paddy Leaf Diseases Detection Dataset. Consta de 18.545 imágenes de hojas de arroz clasificadas en 10 clases de enfermedades y 1 clase saludable. Las imágenes varían en resolución y se capturaron bajo diferentes condiciones ambientales y de iluminación.

Preprocesamiento de imágenes

Se cambió el tamaño de todas las imágenes a 224 x 224 píxeles mediante la función tf.image.resize() de TensorFlow. Esta uniformidad garantiza la compatibilidad con los requisitos de entrada de los modelos CNN previamente entrenados.: Los valores de píxeles se normalizaron al rango [0,1] utilizando el parámetro rescale=1./255 en Keras ImageDataGenerator. Aumento (solo para entrenamiento): Se aplicaron técnicas como volteo horizontal y vertical, rotación (± 20°) y zoom (hasta un 20%) utilizando ImageDataGenerator para mejorar la generalización.

Segmentación de imágenes

Se empleó un modelo UNet para la segmentación de imágenes para aislar las áreas foliares enfermas del desorden del fondo. La arquitectura UNet se creó utilizando la API funcional de Keras con capas de codificador-decodificador, conexiones de omisión y activación de ReLU. Las máscaras de segmentación se aplicaron a las imágenes originales utilizando la multiplicación de píxeles (cv2.bitwise_and) para conservar solo las características relevantes.

Arquitectura y entrenamiento de modelos

Los siguientes modelos se utilizaron como clasificadores troncales: VGG16, ResNet50, InceptionV3, MobileNet, AlexNet y DenseNet121. Los modelos previamente entrenados (en ImageNet) se importaron con include_top=False. Se agregó un cabezal de clasificación personalizado, que consta de una capa de agrupación promedio global, dos capas densas con 128 y 64 neuronas (activación de ReLU), una capa de abandono (tasa = 0.4) y una capa densa final con 11 salidas y activación de Softmax.

Configuración experimental

Todos los experimentos se realizaron utilizando las siguientes configuraciones: Entorno de programación: Python 3.11.5 con TensorFlow y Keras, Plataforma de ejecución: Jupyter Notebook, Hardware: Intel Core i5-6300U, 8 GB de RAM, Windows 11, Tamaño de lote: 32, Épocas: 50, Optimizador: Adam, Tasa de aprendizaje: 0.0001, Función de pérdida: Crossentropía categórica, Funciones de activación: ReLU para capas ocultas, Softmax para la capa de salida final.

Métricas de evaluación

La exactitud, la precisión, el recuerdo y la puntuación F1 se calcularon utilizando classification_report de sklearn.metrics. Las matrices de confusión se trazaron utilizando confusion_matrix y seaborn.heatmap. El rendimiento se evaluó en imágenes no segmentadas y segmentadas por UNet para su evaluación comparativa.

Desarrollo de GUI

Se creó una interfaz gráfica de usuario simple utilizando la biblioteca Tkinter de Python. Los usuarios pueden cargar una imagen hoja mediante la GUI, que luego se pasa a través del modelo entrenado. La clase de enfermedad predicha se muestra en la pantalla, junto con una puntuación de confianza.

Creación de conjuntos de datos

El conjunto de datos utilizado en este estudio es el conjunto de datos de detección de enfermedades de la hoja de arroz disponible públicamente de Kaggle36, que comprende un total de 18,545 imágenes de alta resolución de hojas de arroz clasificadas en 10 clases de enfermedades y 1 clase saludable. Las imágenes se capturaron en diferentes condiciones de iluminación y diversos entornos ambientales, lo que hace que el conjunto de datos sea altamente representativo y adecuado para construir modelos sólidos de aprendizaje profundo. El conjunto de datos tiene un tamaño aproximado de 8,33 GB y contiene las siguientes clases: Tungro, tizón de la vaina (SB), Paddy Hispa (PH), Explosión del cuello (NB), Mancha marrón estrecha (NBS), Escaldadura de la hoja (LS), Explosión de la hoja (LB), Saludable, Mancha marrón (BS) y Tizón bacteriano de la hoja (BLB).

Para garantizar la reproducibilidad y la evaluación efectiva del modelo, el conjunto de datos se dividió aleatoriamente en subconjuntos de entrenamiento (80%) y prueba (20%) mientras se mantenía la distribución de clases. El conjunto de entrenamiento se utilizó para entrenar los modelos, mientras que el conjunto de prueba se reservó para la validación del rendimiento en datos no vistos. La evaluación se basó en métricas de clasificación estándar: Exactitud, Precisión, Recuperación y Puntuación F1, que proporcionaron una evaluación integral de la capacidad de clasificación de cada modelo. El estudio comparó seis modelos de aprendizaje profundo: VGG16, ResNet, InceptionV3, MobileNet, AlexNet y DenseNet121, con DenseNet121 ofreciendo el mejor rendimiento para la tarea.

Distribución de datos

La clasificación de la enfermedad se llevó a cabo utilizando modelos de aprendizaje profundo entrenados en el conjunto de datos. El conjunto de datos se dividió en dos subconjuntos: un conjunto de entrenamiento y un conjunto de pruebas. El conjunto de entrenamiento se utilizó para enseñar el modelo, mientras que el conjunto de prueba se utilizó para evaluar su rendimiento en datos no vistos anteriormente. En la Tabla 1 se proporciona un resumen de la distribución de imágenes en las diez categorías de enfermedades y la clase de hojas sanas. Esta tabla proporciona una comprensión completa de los síntomas visuales asociados a cada enfermedad, facilitando el entrenamiento y la evaluación de los modelos de clasificación.

Esta distribución garantiza una representación equitativa de cada categoría de enfermedad durante las fases de entrenamiento y prueba. El conjunto de entrenamiento incluye la mayoría de las imágenes, lo que permite que el modelo aprenda de manera efectiva las características únicas de cada clase. El conjunto de pruebas, que consta de un subconjunto más pequeño de imágenes, garantiza una evaluación confiable de la precisión del modelo y su capacidad para generalizar a datos nuevos e invisibles.

La distribución equilibrada y diversa de imágenes en todas las categorías garantiza que el modelo tenga datos suficientes para aprender los patrones únicos asociados con cada tipo de enfermedad, al tiempo que mitiga el riesgo de sobreajuste o sesgo hacia cualquier clase en particular. Esta división de datos es esencial para lograr resultados de clasificación sólidos y confiables.

Limpieza de datos

En la fase de preprocesamiento, la limpieza de los datos es esencial para mejorar la precisión y la eficiencia del modelo de clasificación. Las imágenes de hojas de arroz sin procesar a menudo incluyen elementos de fondo no deseados, como tierra, vegetación cercana o herramientas agrícolas, que pueden introducir ruido y degradar el rendimiento general del modelo.

Para abordar esto, la segmentación de imágenes se llevó a cabo utilizando el modelo UNet37,38, una conocida arquitectura de red neuronal convolucional diseñada específicamente para tareas de segmentación semántica. El modelo UNET es capaz de segmentar regiones foliar desde el fondo con alta precisión, asegurando que solo se conserven las partes relevantes de las imágenes para su posterior procesamiento39. El proceso de segmentación se ilustró en la Figura 1.

Proceso de segmentación con el modelo UNet (Figura 2): Las imágenes sin procesar del conjunto de datos se introducen en el modelo UNET. El modelo UNET consta de un codificador que extrae características jerárquicas y un decodificador que reconstruye la imagen mientras segmenta la región hoja. El modelo genera una máscara binaria donde se marca la región hoja y se elimina el fondo. Las imágenes segmentadas se refinan aún más aplicando operaciones morfológicas para garantizar bordes suaves y eliminar cualquier ruido residual (Figura 3).

Formulación matemática de la segmentación de la UNet: UNet realiza una segmentación semántica aprendiendo un mapeo del espacio de la imagen de entrada a una máscara binaria que resalta la región de interés (ROI), es decir, el área de la hoja enferma, mientras suprime el fondo irrelevante. Dejar:

figure-protocol-1denota la imagen RGB de entrada de tamaño H * W con canales de color C = 3.

figure-protocol-2ser la salida del modelo UNet entrenado, donde cada valor de píxel en M representa la probabilidad de que ese píxel pertenezca a la región hoja enferma.

La máscara de segmentación binaria final figure-protocol-3

donde τ [0,1] es el umbral de segmentación (comúnmente establecido en 0.5).

La imagen figure-protocol-4 segmentada se calcula como:

figure-protocol-5

donde figure-protocol-6 denota multiplicación por elementos, aplicada espacialmente en todos los canales. Esta operación conserva los valores de píxel en el ROI (donde figure-protocol-7) y enmascara los píxeles de fondo (donde figure-protocol-8). Esta salida segmentada se pasa como entrada al modelo de clasificación (por ejemplo, DenseNet121), lo que le permite centrarse exclusivamente en las características relevantes para la enfermedad e ignorar las áreas de fondo ruidosas y no informativas, lo que mejora el rendimiento de la clasificación y la generalización del modelo.

Este paso de preprocesamiento garantiza que las siguientes etapas de extracción y clasificación de características se realicen con datos limpios y relevantes, mejorando así el rendimiento general y la confiabilidad del modelo de clasificación de enfermedades de la hoja de arroz.

Aprendizaje por transferencia

El aprendizaje por transferencia utiliza redes neuronales preentrenadas para abordar problemas nuevos pero relacionados, eliminando la necesidad de construir modelos desde cero. Este enfoque aprovecha el conocimiento adquirido de tareas anteriores, lo que permite un aprendizaje eficiente40. Los modelos preentrenados a menudo se desarrollan en conjuntos de datos extensos y poseen sólidas capacidades de extracción de características, lo que los hace adecuados para ajustar conjuntos de datos específicos. Esto reduce el tiempo de entrenamiento, evita el sobreajuste y logra una alta precisión incluso con recursos computacionales limitados.

En este estudio, se empleó el aprendizaje por transferencia para identificar enfermedades de la hoja de arroz mediante la evaluación de varios modelos de aprendizaje profundo preentrenados. La arquitectura explorada en los experimentos incluye VGG16, ResNet, InceptionV3, MobileNet, AlexNet y DenseNet121. Cada uno de estos modelos se entrenó inicialmente en grandes conjuntos de datos, como ImageNet, y sus pesos preentrenados se utilizaron en este trabajo. Para adaptar los modelos a la tarea de clasificación, se realizaron las siguientes modificaciones:

Modificación del modelo: Las capas originales totalmente conectadas (clasificación) de cada modelo se eliminaron utilizando el parámetro include_top=False durante la importación del modelo en Keras. Esto aseguró que solo se conservara la base convolucional (extractor de características) de cada modelo preentrenado. La salida del último bloque convolucional se aplanó en un vector unidimensional utilizando la capa Flatten().

Capas densas: Se agregaron secuencialmente tres capas completamente conectadas (densas) después del paso de aplanamiento. Estas capas se definieron utilizando la función Keras Dense(): la primera con 256 neuronas y activación de ReLU, la segunda con 128 neuronas y activación de ReLU, y la tercera con 64 neuronas y activación de ReLU. También se agregó una capa de caída entre capas para reducir el sobreajuste.

Capa de salida: Se agregaron secuencialmente tres capas completamente conectadas (densas) después del paso de aplanamiento. Estas capas se definieron utilizando la función Keras Dense(): la primera con 256 neuronas y activación de ReLU, la segunda con 128 neuronas y activación de ReLU, y la tercera con 64 neuronas y activación de ReLU. También se agregó una capa de abandono (tasa 0.4) entre capas para reducir el sobreajuste.

La canalización general y el flujo de la metodología, incluido el preprocesamiento, la segmentación, la implementación del modelo de aprendizaje por transferencia y la evaluación, se muestran en la Figura 4. Esta figura proporciona una descripción general completa de los pasos seguidos en esta investigación. Al emplear el aprendizaje por transferencia, el tiempo de entrenamiento se minimizó con éxito, se redujo la dependencia de recursos computacionales de alta gama y se lograron mejoras significativas en el rendimiento en la clasificación de enfermedades de la hoja de arroz.

Modelo DenseNet121 propuesto para la clasificación de enfermedades foliares

Entre todos los modelos probados, DenseNet121 exhibió el mejor rendimiento en la clasificación de enfermedades de las hojas de arroz, logrando una precisión notable. Este modelo de aprendizaje profundo de vanguardia se distingue por su arquitectura innovadora40, que promueve un flujo de información eficiente y mejora la reutilización de funciones.

Arquitectura de DenseNet121: DenseNet121 se caracteriza por capas densamente conectadas, donde cada capa puede acceder a los mapas de características de todas las capas anteriores. Este diseño optimiza el flujo de información, reduce la redundancia y mejora significativamente la eficiencia general del modelo.

La arquitectura consta de los siguientes componentes clave:

Capa de entrada: recibe imágenes redimensionadas a 224 x 224 píxeles para un procesamiento estandarizado.

Capa convolucional inicial: aplica una operación de convolución de 7 x 7 seguida de agrupación máxima para reducir las dimensiones espaciales y extraer entidades de bajo nivel.

Bloques densos: El modelo contiene cuatro bloques densos. Cada bloque comprende varias capas convolucionales conectadas de manera densa, lo que significa que cada capa tiene acceso directo a las salidas de todas las capas anteriores dentro del bloque.

Capas de transición: colocadas entre bloques densos, estas capas realizan una convolución de 1 x 1 seguida de una agrupación promedio para reducir las dimensiones de las características, mejorando la eficiencia computacional.

Agrupación media global (GAP): reduce las dimensiones espaciales de los mapas de entidades antes de las capas totalmente conectadas.

Capa totalmente conectada: Produce el vector de salida para la clasificación.

Capas personalizadas para la clasificación: Para esta investigación, las capas predeterminadas completamente conectadas se reemplazaron con una arquitectura personalizada: capa aplanada, tres capas densas (256, 128 y 64 neuronas con activación de ReLU) y una capa final activada por sigmoide para clasificación binaria.

La capacidad de DenseNet121 para reutilizar características y su arquitectura compacta contribuyeron significativamente a su rendimiento superior en el conjunto de datos de enfermedades de la hoja de arroz. Esta eficiencia, junto con su capacidad para minimizar el sobreajuste, lo hace ideal para tareas con datos de entrenamiento limitados. DenseNet121 logró una mejor precisión y generalización que otros modelos debido a sus propiedades de reutilización de características y flujo de gradiente. Si bien modelos como ResNet y VGG16 funcionaron bien, DenseNet121 los superó en términos de precisión y eficiencia computacional.

En todos los modelos, se incluyeron tres capas completamente conectadas (densas) utilizando funciones de activación de ReLU (como se muestra en la Ecuación 1), culminando en una capa densa final con una activación SoftMax (Ecuación 2) para facilitar la clasificación de múltiples clases. Esta adaptación permitió que cada modelo utilizara de manera efectiva sus pesos preentrenados mientras clasificaba las imágenes en el conjunto de datos.

ReLu f(x) = max(0, X) (1)

figure-protocol-9

donde xi representa la entrada a la función SoftMax, ajustada para la clasificación en las diez categorías de enfermedades de la hoja de arroz. La arquitectura única de cada modelo, combinada con esta capa de salida personalizada, permitió una extracción efectiva de características y una clasificación precisa de imágenes.

La Figura 5 presenta el diseño arquitectónico de DenseNet121, mostrando el flujo continuo de información a través de sus bloques densos, capas de transición y las capas de clasificación personalizadas integradas para esta investigación. Esta representación visual aclara cómo DenseNet121 maneja las entradas de imagen y genera salidas de predicción

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Para los experimentos realizados en este estudio, el modelo se desarrolló utilizando Python versión 3.11.5 y Jupyter Notebook en un sistema operativo Windows 11. Los principales marcos de aprendizaje profundo utilizados fueron las bibliotecas TensorFlow y Keras. El hardware utilizado para esta investigación fue una PC HP con una CPU Intel i5-6300U a 2,50 GHz, equipada con 8 núcleos.

El conjunto de datos se dividió en dos subconj...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudio propone un marco basado en el aprendizaje profundo para la clasificación automatizada de las enfermedades de la hoja de arroz utilizando conjuntos de datos segmentados y no segmentados. El enfoque integra la segmentación de imágenes basada en UNet con modelos de aprendizaje por transferencia, lo que demuestra que la segmentación mejora significativamente la extracción de características y la precisión de la clasificación. Entre los seis modelos evaluados, el DenseNet-121 per...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores no tienen nada que revelar.

Agradecimientos

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores reconocen los esfuerzos de Penugonda Seetha Rama Krishna por contribuir a la conceptualización, metodología y preparación del manuscrito, y extienden su sincero agradecimiento a S. Nagarajan por brindar supervisión y orientación durante todo el estudio.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
HP PCHPIntel Core i5-6300U CPU @ 2.5 GHz, 8 GB RAM
Jupyter NotebookCódigo abiertoSe utiliza para la ejecución de código
Conjunto de datos de Kaggle: Detección de enfermedades de la hoja de arrozKagglehttps://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection
KerasCódigo abiertoIntegrado con TensorFlow
PitónFundación de software Python3.11.5
TensorFlowGoogle2.x
Sistema operativo WindowsMicrosoftWindows 11

Referencias

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Baheti, H., Thakare, A., Bhople, Y., Darekar, S., Dodmani, O. Tomato plant leaf disease detection using inception v3. Intell Syst Appl. 959, 49-60 (2023).
  2. Shin, J., et al. Trends and prospect of machine vision technology for stresses and diseases detection in precision agriculture. Agri Eng. 5 (1), 20-39 (2023).
  3. Shamsul Kamar, N. A., et al. Pest and disease incidence of coniferous species in Taman Saujana Hijau, Putrajaya urban park Malaysia. J Forest Res. 34 (6), 2065-2077 (2023).
  4. Dutta, M., et al. Rice leaf disease classification-A comparative approach using convolutional neural network (CNN), cascading autoencoder with attention residual U-Net (CAAR-U-Net), and MobileNet-V2 architectures. Technologies. 12 (11), 214(2024).
  5. Alsakar, Y. M., Sakr, N. A., Elmogy, M. An enhanced classification system of various rice plant diseases based on multi-level handcrafted feature extraction technique. Sci Rep. 14 (1), 1-33 (2024).
  6. Ritharson, P. I., Raimond, K., Mary, X. A., Robert, J. E. DeepRice: A deep learning and deep feature-based classification of rice leaf disease subtypes. Artif Intell Agric. 11, 34-49 (2024).
  7. Khanna, A., Saini, R., Kumar, A., Singh, R. Toward end-to-end rice row detection in paddy fields exploiting two-pathway instance segmentation. Plant Phenomics. 6, 0043(2024).
  8. de Silva, R., Cielniak, G., Wang, G., Gao, J. Deep learning-based Crop Row Detection for Infield Navigation of Agri-Robots. arXiv. , (2022).
  9. Zhao, C., Hu, C., Shao, H., Wang, Z., Wang, Y. Towards Trustworthy Multi-label Sewer Defect Classification via Evidential Deep Learning. arXiv. , (2022).
  10. Gogoi, M., Kumar, V., Begum, S. A., Sharma, N., Kant, S. Classification and detection of rice diseases using a 3-stage CNN architecture with transfer learning approach. Agriculture. 13, 1505(2023).
  11. Rice as food. Wikipedia. , Wikipedia contributors. https://en.wikipedia.org/wiki/Rice_as_food (2025).
  12. Deng, R., et al. Automatic diagnosis of rice diseases using deep learning. Front Plant Sci. 12, 701038(2021).
  13. Image classification for rice leaf disease using AlexNet model. Win Lwin, L. Y., Htwe, A. N. 2023 IEEE Conf Comput Appl (ICCA), , 124-129 (2023).
  14. Tripathy, R., et al. Optimization based rice leaf disease classification in federated learning. Multimed Tools Appl. 83, 72491-72517 (2024).
  15. Li, Y., Wang, H., Dang, L. M., Sadeghi-Niaraki, A., Moon, H. Crop pest recognition in natural scenes using convolutional neural networks. Comput Electron Agric. 169, 105174(2020).
  16. Zhong, Y., Zhao, Z. Research on deep learning in apple leaf disease recognition. Comput Electron Agric. 168, 105146(2020).
  17. Yang, Y., Liu, Z., Huang, M., Zhu, Q., Zhao, X. Automatic detection of multi-type defects on potatoes using multispectral imaging combined with a deep learning model. J Food Eng. 336, 111213(2023).
  18. Wang, L., et al. Identification of crop diseases using improved convolutional neural networks. IET Comput Vis. 14 (7), 538-545 (2020).
  19. Arsenovic, M., Karanovic, M., Sladojevic, S., Anderla, A., Stefanovic, D. Solving current limitations of deep learning-based approaches for plant disease detection. Symmetry. 11 (7), 939(2019).
  20. Hu, G., Wu, H., Zhang, Y., Wan, M. A low shot learning method for tea leaf's disease identification. Comput Electron Agric. 163, 104852(2019).
  21. Too, E. C., Yujian, L., Njuki, S., Yingchun, L. A comparative study of fine-tuning deep learning models for plant disease identification. Comput Electron Agric. 161, 272-279 (2019).
  22. Ma, R., et al. Identification of maize seed varieties using MobileNetV2 with improved attention mechanism CBAM. Agriculture. 13 (1), 11(2023).
  23. Krizhevsky, A., Sutskever, I., Hinton, G. E. ImageNet classification with deep convolutional neural networks. Commun ACM. 60 (6), 84-90 (2017).
  24. Brahimi, M., Boukhalfa, K., Moussaoui, A. Deep learning for tomato diseases: classification and symptoms visualization. Appl Artif Intell. 31 (4), 299-315 (2017).
  25. Wang, G., Sun, Y., Wang, J. Automatic image-based plant disease severity estimation using deep learning. Comput Intell Neurosci. 2017, 2917536(2017).
  26. Deep residual learning for image recognition. He, K., Zhang, X., Ren, S., Sun, J. Proc IEEE Conf Comput Vis Pattern Recognit CVPR, , 770-778 (2016).
  27. Amara, J., Bouaziz, B., Algergawy, A. A deep learning-based approach for banana leaf diseases classification. Datenbanksysteme Business Tech Web (BTW 2017). , 79-88 (2017).
  28. Srilatha, D., Thillaiarasu, N. Implementation of intrusion detection and prevention with deep learning in cloud computing. J Inf Technol Manag. 15, 1-8 (2023).
  29. Sladojevic, S., Arsenovic, M., Anderla, A., Culibrk, D., Stefanovic, D. Deep neural networks-based recognition of plant diseases by leaf image classification. Comput Intell Neurosci. 2016, 3289801(2016).
  30. Simhadri, C. G., Kondaveeti, H. K., Vatsavayi, V. K., Mitra, A., Ananthachari, P. Deep learning for rice leaf disease detection: A systematic literature review on emerging trends, methodologies and techniques. Info Proc Agri. 12 (2), 151-168 (2025).
  31. Xu, M., et al. Embracing limited and imperfect training datasets: Opportunities and challenges in plant disease recognition using deep learning. Front Plant Sci. 14, 1225409(2023).
  32. Xu, M., Park, J. E., Lee, J., Yang, J., Yoon, S. Plant disease recognition datasets in the age of deep learning: Challenges and opportunities. arXiv. , (2023).
  33. Basic investigation on a robust and practical plant diagnostic system. Fujita, E., Kawasaki, Y., Uga, H., Kagiwada, S., Iyatomi, H. Proc 15th IEEE Int Conf Mach Learn Appl ICMLA, , 989-992 (2016).
  34. Densely connected convolutional networks. Huang, G., Liu, Z., Van Der Maaten, L., Weinberger, K. Q. Proc IEEE Conf Comput Vis Pattern Recognit CVPR, , 4700-4708 (2017).
  35. Sapkal, A. T., Kulkarni, U. V. Comparative study of leaf disease diagnosis system using texture features and deep learning features. Int J Appl Eng Res. 13 (19), 14334-14340 (2018).
  36. Loki4514, Leaf Diseases Detection Dataset. Kaggle. , https://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection Accessed (2025).
  37. Siddique, N., Paheding, S., Elkin, C. P., Devabhaktuni, V. U-Net and its variants for medical image segmentation: a review of theory and applications. IEEE Access. 9, 82031-82057 (2021).
  38. Yohoshiva, B., Challa, N. P. Ghcr-a dataset for Grantha handwritten character recognition. Data Brief. 56, 110783(2024).
  39. Ronneberger, O., Fischer, P., Brox, T. U-Net: Convolutional networks for biomedical image segmentation. Med Image Comput Comp Assisted Intervent MICCAI 2015 Lecture Notes Comp Sci. 9351, 234-241 (2015).
  40. Zhuang, F., et al. A comprehensive survey on transfer learning. arXiv. , (2020).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Enfermedades de las hojas del arrozaprendizaje profundoDenseNet 121segmentaci n de im genesinterfaz gr ficadetecci n de enfermedades del arroz

Artículos relacionados