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

Resumen

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

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

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 como^{de 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....

Protocolo

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 un....

Resultados

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.......

Discusión

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.......

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
HP PC	HP	Intel Core i5-6300U CPU @ 2.5 GHz, 8 GB RAM
Jupyter Notebook	Código abierto	Se utiliza para la ejecución de código
Conjunto de datos de Kaggle: Detección de enfermedades de la hoja de arroz	Kaggle	https://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection
Keras	Código abierto	Integrado con TensorFlow
Pitón	Fundación de software Python	3.11.5
TensorFlow	Google	2.x
Sistema operativo Windows	Microsoft	Windows 11