Un método basado en aprendizaje profundo para la detección de enfermedades de la hoja de arroz y recomendación de tratamiento específica en la etapa de crecimiento

Summary

Este estudio presenta un método basado en aprendizaje profundo para predecir las etapas de crecimiento de las hojas de arroz y clasificar enfermedades, ofreciendo recomendaciones de tratamiento específicas por etapa mediante un sistema automatizado y fácil de usar de apoyo a la toma de decisiones para una gestión eficaz de enfermedades de cultivos.

Abstract

Las enfermedades de las hojas de arroz afectan significativamente la producción y la calidad del arroz, haciendo que la detección temprana y el tratamiento adecuado sean esenciales para la agricultura de precisión. Este estudio propone un sistema de apoyo a la toma de decisiones basado en aprendizaje profundo para la detección de enfermedades de las hojas de arroz, la predicción de la etapa de crecimiento y recomendaciones de tratamiento específicas por etapa. El conjunto de datos utilizado en este estudio comprende imágenes de hojas de arroz recogidas de múltiples fuentes y categorizadas por etapa de crecimiento y clase de enfermedad. El conjunto de datos se dividió en conjuntos de entrenamiento (80%), validación (10%) y test (10%) para garantizar una evaluación adecuada del modelo. Para la predicción de la etapa de crecimiento, se desarrolló un modelo ligero de Red Neuronal Convolucional (CNN), mientras que la clasificación de enfermedades se realizó utilizando modelos de aprendizaje por transferencia, incluyendo VGG16, ResNet50, InceptionV3 y MobileNetV2. Se utilizó un método de conjunto basado en la probabilidad media de votación para mejorar el rendimiento en la clasificación. Los modelos se evaluaron utilizando precisión, exactitud, recuerdo y puntuación F1 en un conjunto de pruebas independiente. Los resultados experimentales muestran que el modelo de conjunto alcanzó mayor precisión en comparación con los modelos individuales, demostrando una mayor robustez y generalización. El sistema propuesto se implementó como una aplicación web Streamlit que proporciona detección de enfermedades, predicción de la etapa de crecimiento y recomendaciones de tratamiento. El marco integrado propuesto puede ayudar a los agricultores y expertos agrícolas a tomar decisiones de gestión de enfermedades oportunas y precisas.

Introduction

La India, al ser una economía agraria, depende en gran medida de la agricultura, siendo el arroz (paddy) un cultivo básico para una gran parte de la población. Sin embargo, el cultivo de arroz se ve significativamente afectado por enfermedades foliares como la explosión, la tizón bacteriano foliar, la mancha marrón y la tizón de la vaina, que reducen el rendimiento y causan pérdidas económicas. La detección temprana de estas enfermedades es esencial, ya que los métodos tradicionales de inspección manual son lentos y a menudo inexactos. Para abordar este problema, este estudio propone un sistema de apoyo a la toma de decisiones basado en aprendizaje profundo para la predicción de la etapa de crecimiento de las hojas de arroz, clasificación de enfermedades y recomendaciones de tratamiento. El sistema utiliza un modelo de red neuronal para predecir la etapa de crecimiento de la hoja de arroz y múltiples modelos de aprendizaje profundo, incluyendo CNN, VGG16, ResNet50, InceptionV3 y MobileNetV2, para la clasificación de enfermedades. Estos modelos se combinan mediante un enfoque de conjunto para mejorar la precisión y robustez, logrando una precisión de clasificación del 98,99%. En función de la enfermedad y la etapa de crecimiento previstas, el sistema proporciona recomendaciones de tratamiento específicas para cada etapa. El sistema propuesto está implementado como una aplicación web basada en Streamlit que permite a los usuarios subir imágenes de hojas y recibir predicciones y recomendaciones en tiempo real. Este enfoque integrado proporciona una solución práctica y escalable para la agricultura de precisión, ayudando a los agricultores a reducir las pérdidas de cosechas y mejorar la productividad.

Varios estudios han aplicado técnicas de aprendizaje automático y aprendizaje profundo para la recomendación de cultivos, la detección de enfermedades y el apoyo a la toma de decisiones agrícolas. Se han utilizado métodos de aprendizaje profundo en conjunto para mejorar la precisión de recomendaciones de cultivos y fertilizantes integrando la predicción de enfermedades, mostrando un mejor rendimiento que los enfoques de un solo^modelo. También se han desarrollado sistemas de recomendación basados en aprendizaje automático que utilizan árboles de decisión y máquinas de vectores de soporte para sugerir cultivos, fertilizantes y tratamientos de enfermedades, incorporando la retroalimentación de los agricultores para mejorar la^{adaptabilidad 2}.

Para la detección de enfermedades, los modelos híbridos CNN combinados con técnicas de extracción de características como CLAHE y GLCM han mejorado la precisión de clasificación de la enfermedad del^{arroz 3}. Otros enfoques han utilizado algoritmos de agrupamiento y Random Forest con extracción de características basada en texturas para mejorar el rendimiento en la detección^{de enfermedades 4}. Los modelos de aprendizaje profundo, especialmente las CNN y las arquitecturas de aprendizaje por transferencia, han alcanzado alta precisión en la detección de enfermedades de plantas y han permitido sistemas de diagnóstico en tiempo real y basados en ^{smartphones 5,6,7}. Los métodos tradicionales de procesamiento y clasificación de imágenes mediante características de color, textura y forma también han mostrado una detección eficaz de enfermedades con menor complejidad computacional ^8,9.

El aprendizaje en conjunto se ha utilizado ampliamente en sistemas de recomendación de cultivos combinando clasificadores como Random Forest, Naïve Bayes y Máquinas de Vectores de Soporte para mejorar la precisión y robustez de la^{predicción 10}. Los modelos basados en CNN también se han utilizado para la detección de enfermedades del arroz e integrados con sistemas IoT para recomendaciones agrícolas^{en tiempo real 11}. Modelos de aprendizaje automático como K-Nearest Neighbors y técnicas de regresión se han aplicado en sistemas de apoyo a la decisión^{predictiva 12}. Además, se han desarrollado sistemas de recomendación de cultivos basados en factores del suelo, estacionales y de productividad para apoyar decisiones agrícolas basadas en ^{datos 13}.

Los estudios también han examinado las limitaciones de producción de arroz y las estrategias de gestión de enfermedades, destacando la importancia de un control sostenible de enfermedades y la mejora de las prácticas^{agrícolas 14}. Sin embargo, la mayoría de los estudios existentes se centran únicamente en la detección de enfermedades o la recomendación de cultivos de forma individual, y muy pocos integran la clasificación de enfermedades, la predicción de la etapa de crecimiento y la recomendación de tratamiento en un único sistema de apoyo a la decisión. Esta carencia pone de manifiesto la necesidad de un marco integrado y práctico de apoyo a la decisión agrícola¹⁵.

La novedad de esta investigación radica no solo en la clasificación de enfermedades, sino en el desarrollo de un sistema completo de apoyo a la decisión para el manejo de la enfermedad del^{arroz 16}. El sistema propuesto integra la predicción de la etapa de crecimiento de la hoja de arroz, la clasificación de la enfermedad mediante un conjunto de modelos de aprendizaje profundo y la recomendación de tratamiento específica para cada etapa de crecimiento. A diferencia de los estudios existentes que se centran únicamente en la detección de enfermedades, este trabajo vincula la predicción de enfermedades con consejos de tratamiento accionables basados en la etapa^{de crecimiento de la planta en la etapa 17}. Este enfoque integrado hace que el sistema sea más práctico para el uso agrícola real y apoya la agricultura de precisión proporcionando intervenciones oportunas y adecuadas^{para cada etapa 18}.

El objetivo principal de la investigación es crear el siguiente sistema de aprendizaje profundo para detectar la enfermedad de la hoja de arroz más temprano y predecir con precisión las etapas de crecimiento de la hoja, recomendando el tratamiento a tiempo y de forma selectiva. El sistema alcanza una alta precisión en la clasificación de enfermedades de 98,99 mediante la ingeniería fina y el montaje de modelos de última generación como CNN, VGG16, ResNet50, InceptionV3, MobileNetV2, entre otros. Incorpora una red neuronal que predice la etapa de crecimiento y ofrece sugerencias específicas de herbicidas o pesticidas para el análisis. La tecnología está disponible para los agricultores a través de una aplicación web Streamlit fácil de usar que permite predicciones en tiempo real así como consejos de tratamiento¹⁹. El estudio debería facilitar las decisiones relacionadas con la gestión de enfermedades mediante predicciones oportunas y recomendaciones de tratamiento, con posible aplicabilidad a economías agrarias como la de India.

Aunque se realizan múltiples estudios sobre la detección de enfermedades de plantas mediante aprendizaje automático y aprendizaje profundo, la mayoría de las investigaciones existentes intentan clasificar enfermedades sin considerar la etapa de desarrollo de la planta ni sugerencias de tratamiento. Sin embargo, no es cierto que en la práctica agrícola las instrucciones de tratamiento se basen no solo en la naturaleza de la enfermedad, sino también en la fase en la que se encuentra el cultivo en el momento del tratamiento, ya que el grado y el tipo de pesticidas varían según la fase del cultivo. Muy poca investigación incorpora la detección de enfermedades, la predicción de la etapa de crecimiento y la recomendación de tratamiento, todo en un solo sistema automatizado. Para cerrar esta brecha, el estudio actual sugiere una arquitectura combinada basada en aprendizaje profundo que incorporará la predicción de la fase foliar del arroz, la clasificación de enfermedades en un conjunto de modelos de aprendizaje profundo y la recomendación de tratamientos específicos basados en una etapa de crecimiento mediante un sistema de apoyo a la decisión^{ejecutado por Streamlit 20}. Esta integración permite que el sistema propuesto sea más práctico y útil en la agricultura de precisión real. Este estudio propone un marco de diagnóstico de enfermedades consciente de la fase en el que la predicción de la etapa de crecimiento y la clasificación de la enfermedad se combinan con un módulo de recomendación de tratamiento para formar una cadena completa de apoyo a la decisión²¹.

Aunque se han propuesto varios enfoques de aprendizaje profundo y aprendizaje conjunto para la detección de enfermedades de plantas, la mayoría de los estudios existentes se centran únicamente en la clasificación de enfermedades y no consideran la etapa de crecimiento de la planta. Sin embargo, en la agricultura práctica, el método de tratamiento, el tipo de pesticida y la dosis suelen depender no solo del tipo de enfermedad, sino también de la fase de crecimiento de la planta. Los sistemas existentes de detección de enfermedades no proporcionan recomendaciones de tratamiento específicas por etapa, lo que limita su aplicabilidad práctica en la agricultura^{de precisión 22.} Además, muchos estudios existentes se centran únicamente en mejorar la precisión de la clasificación mediante modelos de aprendizaje profundo, pero no integran el sistema de predicción en un marco práctico de apoyo a la decisión que puedan ser utilizados por agricultores o expertos agrícolas. Para abordar estas limitaciones, este estudio propone un sistema integrado de apoyo a la decisión que combina la predicción de la etapa de crecimiento de las hojas de arroz, la clasificación de la enfermedad mediante aprendizaje en conjunto y la recomendación de tratamientos específicos por etapa. El sistema propuesto está implementado como una aplicación web para apoyar la toma de decisiones agrícolas en tiempo^{real 23}.

Las principales contribuciones de este estudio incluyen el desarrollo de un modelo basado en aprendizaje profundo para predecir con precisión las etapas de crecimiento de las hojas de arroz mediante datos de imagen, lo que permite un mejor monitoreo y gestión de los cultivos. También implica la implementación de técnicas de aprendizaje por transferencia para clasificar eficazmente las enfermedades de las hojas de arroz aprovechando modelos preentrenados, mejorando la precisión y reduciendo la complejidad del^{entrenamiento 24}. Para mejorar aún más la fiabilidad de la detección de enfermedades, se emplea un enfoque de aprendizaje en conjunto, que combina múltiples modelos para lograr un rendimiento superior en la clasificación. Además, el estudio introduce un sistema de recomendación de tratamiento específico por etapa que proporciona soluciones específicas basadas tanto en la enfermedad identificada como en la etapa de crecimiento del cultivo, asegurando intervenciones agrícolas más precisas y efectivas. Por último, todos estos componentes están integrados en una aplicación web basada en Streamlit, que ofrece una plataforma fácil de usar para el soporte a la toma de decisiones en tiempo real, permitiendo a agricultores y partes interesadas acceder fácilmente a predicciones y^{recomendaciones 25}.

Protocol

El siguiente protocolo ilustra el proceso de detección de enfermedades de la hoja de arroz y la construcción y despliegue del sistema de recomendaciones de tratamiento paso a paso. Los pasos seguidos deben utilizarse de forma consecutiva para replicar los hallazgos presentados en este artículo.

Preparación del conjunto de datos

Conjunto de datos de etapas de hojas de arroz: Estos datos se basaron en PaddyNet4. La escena consta de 560 imágenes clasificadas en cuatro diferentes etapas de revelado, a saber: Etapa 2, Etapa 3, Etapa 4 y Etapa 5. La clasificación depende del color y la madurez de las hojas de arroz, que dependen de la concentración de nitrógeno, entre otros factores, y del desarrollo de la planta. El conjunto de datos presentado es importante para conocer la etapa correcta de la planta de arroz (Figura 1). PaddyNet es accesible públicamente a través de la página web de data.mendeley.com/datasets/. Conjunto de datos sobre la enfermedad de las hojas de arroz: Este conjunto de datos estaba disponible como varios conjuntos de datos públicos accesibles y separados en Kaggle y se combinaron para crear un conjunto de datos unificado con un total de 6.920 imágenes, cada una perteneciente a uno de los seis tipos de enfermedad que se muestran en (Figura 2). Conjunto de datos de tratamiento: El conjunto de datos fue desarrollado de forma crítica mediante la recuperación e integración de información de varios conjuntos de datos disponibles públicamente y contiene datos sobre diversas prácticas de manejo de las enfermedades del arroz en cuatro fases^{de crecimiento 21}. El objetivo principal de este conjunto de datos es elaborar recomendaciones para prevenir y controlar la enfermedad del arroz. Los datos son uno de los recursos vitales para combatir las enfermedades en las plantas de arroz seleccionando el tipo adecuado de^pesticidas 19,22,23,24,25

Aumento de datos

La ampliación de datos se utilizó para mejorar el conjunto de datos de entrenamiento y reducir el sobreajuste. Los métodos de aumento empleados en el estudio actual son rotación (hasta 30), movimiento de ancho y altura (hasta un 20%), zoom (hasta un 20%), cizallamiento y volteo horizontal. El uso de estos métodos de aumento ayuda al modelo a adquirir los elementos esenciales del modelo y mejora la generalización del modelo cuando se prueba con datos no vistos. La ampliación de datos se realizó sobre el conjunto de datos de entrenamiento, mientras que los conjuntos de datos de validación y prueba se dejaron tal cual para revisar el rendimiento justo del sistema. El tamaño del conjunto de datos original tuvo que aumentarse con datos porque el tamaño del conjunto original es bastante pequeño, y se necesitaba el enfoque para mejorar la generalización y minimizar el sobreajuste introduciendo el modelo en las diferencias de orientación, escala y posición de las imágenes de las hojas.

Preprocesamiento de imagen

Los datos de estadio y enfermedad recogidos pasaron por varios pasos de preprocesamiento para que los datos fueran consistentes y mejoraran el rendimiento de los modelos. Todas las imágenes de ambos conjuntos de datos se escalaron a 128 × 128 × 3 para asegurar un ajuste viable en cualquier arquitectura de deep learning. Los valores de los píxeles se escalaron al intervalo [0,1] para acelerar la convergencia durante el entrenamiento. Además, las etiquetas de enfermedades y sus estadios se transformaron en números para evaluar y entrenar el modelo de forma más eficaz. Estos métodos de preprocesamiento ayudaron a extraer mejor las características, a una mejor tasa de clasificación y a la robustez del modelo a diferentes condiciones ambientales. El tamaño de la imagen utilizada, 128 × 128, se vio comprometido entre el cálculo y la pérdida de características. Concreto El tamaño de imagen más pequeño minimiza el tiempo de entrenamiento y el coste computacional, y no elimina información (características visuales) para clasificar la enfermedad y el estadio al utilizar modelos de aprendizaje profundo.

División de conjuntos de datos

Los datos procesados se dividieron en tres subconjuntos (Tabla 1): Conjunto de Entrenamiento (80%), Set de Validación (10%), Set de Prueba (10%). Para evitar una distribución desequilibrada de clases en los tres subconjuntos, se utilizó muestreo aleatorio estratificado para asegurar que tanto el conjunto de datos de estadios (560 imágenes) como el conjunto de datos de enfermedades (6.920 imágenes) tuvieran una distribución igual de clases. No hubo filtraciones de datos entre los subconjuntos.

Formación en modelos

En la clasificación del estado de crecimiento de las hojas y enfermedades del arroz, se utilizó el método modelo de entrenamiento en dos pasos.

Modelo de clasificación de etapas

El método de clasificación de la etapa de crecimiento foliar tiene cuatro clases y un tamaño de datos relativamente bajo, por lo que la arquitectura de la Red Neuronal Convolucional (NN) no fue muy ampliada pero se consideró ligera. Se puede utilizar una arquitectura más sencilla para reducir el sobreajuste y la potencia computacional, a costa de tener una alta precisión en el caso de la clasificación mediante características de color y textura. La nueva estructura CNN tendrá tres capas convolucionales utilizando las funciones de activación de ReLU. Las capas convolucionales se alternan con las capas de max-pooling (2×2) para reducir la escala de las dimensiones espaciales, así como para identificar las características destacadas. Los mapas de características pasan por una capa convolucional, tras la cual se aplanan, y la capa densa totalmente conectada con regularización de dropout se ejecuta para desincentivar el sobreajuste. Por último, la clasificación multiclase de las cuatro etapas de crecimiento se realiza con la ayuda de una capa de salida softmax. El optimizador Adam, que tiene una tasa de aprendizaje de 0,001 y una entropía cruzada categórica como función de pérdida, se utilizó para entrenar el modelo. El número del lote se estableció en 10, y el modelo se entrenó en 10 épocas. La precisión y la pérdida de validación también se utilizaron para monitorizar el rendimiento del modelo, ya que se emplean para asegurar que el modelo sea generalizado.

Modelo de clasificación de enfermedades basado en el aprendizaje en conjunto

Para la clasificación de enfermedades, se adoptó una serie de arquitecturas de aprendizaje profundo para mejorar la precisión de la predicción. El desarrollo inicial de un modelo CNN personalizado consistió en cuatro capas: tres capas convolucionales, tres capas de max-pooling, una capa densa y totalmente conectada y regularización dropout. MobileNetV2 emplea convoluciones separables en profundidad, bloques residuales invertidos y cuello de botella invertido con residuo lineal. El modelo tiene un tamaño pequeño, de solo 3,4 millones de parámetros, y puede utilizarse en un entorno con recursos limitados. Los modelos comenzaron a usar activaciones de ImageNet, y las capas convolucionales se congelaron para que no se perdieran las representaciones de características aprendidas. La capa de clasificación softmax se conectaba a una capa totalmente conectada que tenía regularización de dropout. Todos los modelos se entrenaron durante 20 épocas con un tamaño de lote de 32, y el optimizador y la pérdida eran idénticos a los del modelo CNN. En un intento de mejorar la clasificación, se utilizó el método medio de aprendizaje por conjunto de votantes. Los resultados fueron las probabilidades medias predichas por los cinco modelos (CNN, VGG16, ResNet50, InceptionV3 y MobileNetV2) para obtener las predicciones finales de la clase. Esta técnica combinada fue útil para reducir el sesgo en los modelos y mejorar la generalización. El último modelo combinado era más preciso en las clasificaciones. La razón por la que se eligió el enfoque en conjunto es que el aprendizaje de las distintas representaciones de características se aprende utilizando el mismo conjunto de datos por los distintos modelos de aprendizaje profundo. El conjunto también disminuye el sesgo y la varianza del modelo y aumenta los problemas generales de predicción y el rendimiento general de la generalización en comparación con los modelos independientes.

Estrategia de predicción

En el proceso de predecir la enfermedad de la hoja de arroz y su etapa de crecimiento asociada, se utilizó el método de clasificación basado en conjuntos. Los cinco modelos de aprendizaje profundo (CNN, VGG16, ResNet50, InceptionV3 y MobileNetV2) fueron entrenados de forma independiente para clasificar las enfermedades y se agruparon utilizando un método de conjunto de votación promedio. Este procedimiento implicaba la predicción de probabilidades de cada categoría de enfermedad de todos los modelos y la distribución de probabilidad media, lo que añade precisión a la previsibilidad y minimiza el sesgo en el modelo. La predicción final se tomó como la clase de enfermedad con mayor probabilidad promedio. Además, se entrenó y se utilizó un modelo diferente de clasificación de etapas basado en CNN para predecir la etapa de crecimiento de la hoja de arroz. Ambos modelos de clasificación tomarían imágenes de entrada de tamaño 128x128, luego normalizarían los valores de los píxeles y después usarían los modelos para hacer una inferencia. Las predicciones finales tanto de la fase foliar como de la enfermedad se mapearon entonces con un conjunto existente de recomendaciones de tratamiento para ofrecer un tratamiento válido y así gestionar la enfermedad.

Ejemplo de salida: "Estadio hoja: 3, Enfermedad: Tungro"

Recomendación de tratamiento

Para hacer más práctica la clasificación de la enfermedad de la hoja de arroz, se integró en la solicitud un sistema de recomendación de tratamiento basado en Streamlit. El sistema toma la enfermedad prevista y la fase foliar para ofrecer recomendaciones específicas de tratamiento que aseguren que la enfermedad se gestione con éxito. El modelo de clasificación de la enfermedad en conjunto (incluyendo CNN, VGG16, ResNet50, InceptionV3 y MobileNetV2) clasifica la enfermedad, mientras que el modelo de clasificación de la fase foliar es otro modelo. La fase modelada de la hoja y la enfermedad se comparan con los datos de tratamiento que tienen las dosis recomendadas (medidas preventivas y aplicación de pesticidas).

Marco metodológico y contribución

La metodología del sistema presentado es una cadena de varias etapas, que combina clasificación de imágenes y soporte a la decisión. El marco consta de cinco grandes pasos: la promoción de imágenes y el aumento, la predicción de la etapa de crecimiento foliar, el uso de modelos de aprendizaje profundo entrenados en las imágenes para clasificar la enfermedad, la combinación de los resultados de la predicción para obtener una decisión conjunta y la recomendación del tratamiento en función del tipo y etapa de crecimiento de la enfermedad. La contribución metodológica de este trabajo está orientada a la implementación de numerosos modelos de predicción y un módulo de recomendación de tratamiento en una única cadena de soporte a la decisión. El sistema se basa no solo en la clasificación de enfermedades, sino también en incorporar la información sobre la etapa de crecimiento de la planta para proporcionar recomendaciones de tratamiento en una etapa concreta. El sistema es más relevante para el proceso de toma de decisiones agrícolas en el mundo real gracias a esta estrategia de recomendación consciente de la etapa. La imagen de entrada primero pasará por un preprocesamiento antes de ser introducida a través del modelo de clasificación de estadios y de los modelos de clasificación de enfermedades. Los resultados del modelo de enfermedad se promedian mediante una técnica de conjunto, y la predicción y la etapa de crecimiento de la enfermedad se llevan hasta el final para obtener recomendaciones de tratamiento correctas basadas en la identificación de registros relevantes en la base de datos de tratamientos.

Estrategia de validación y prevención de sobreajuste

Para proporcionar una validación rigurosa de los modelos desarrollados, el conjunto de datos se dividió en tres subconjuntos disyuntivos: conjunto de entrenamiento (80%), conjunto de validación (10%) y conjunto de prueba (10%). Los modelos se entrenaban usando el conjunto de entrenamiento, se ajustaban con el conjunto de validación y evaluaban su rendimiento final usando solo el conjunto de pruebas. El conjunto de pruebas permaneció absolutamente independiente para tener un análisis imparcial del modelo. Se utilizaron los siguientes métodos para garantizar que el modelo no sobreajuste y mejorar su capacidad de generalización. Para aumentar el nivel de diversidad en el conjunto de datos, primero se utilizaron métodos de aumento de datos (rotación, zoom, desplazamiento, cizallamiento y volteo horizontal). En segundo lugar, se utilizó la regularización de dropout en las capas totalmente conectadas de los modelos CNN para reducir el sobreajuste. En tercer lugar, se transfirieron modelos preentrenados (VGG16, ResNet50, InceptionV3 y MobileNetV2) utilizando la técnica de capas convolucionales congeladas para preservar las características aprendidas y minimizar las posibilidades de sobreajuste causadas por el pequeño tamaño del conjunto de datos. Por último, la pérdida de validación y la precisión se utilizaron para monitorizar el rendimiento del modelo durante el entrenamiento y así asegurar que el modelo no se ajuste demasiado a los datos de entrenamiento. Estos son los esquemas de validación y regularización que aseguran que el modelo propuesto se generalice muy bien a datos no vistos y ofrezca un buen rendimiento.

Sistema propuesto

La sugerida es una solución de aprendizaje profundo para el manejo de la enfermedad de las hojas de arroz, que incorpora la predicción y clasificación de la fase foliar de la enfermedad. Empieza con el preprocesamiento de imágenes de hojas de arroz en términos de redimensionarlas a una altura común y los valores de los píxeles. La etapa de crecimiento de la hoja se predice mediante una red neuronal, y se utiliza una técnica media de votación para emplear un conjunto de modelos de aprendizaje profundo (CNN, VGG16, ResNet50, InceptionV3, MobileNetV2) para clasificar enfermedades. El sistema utiliza el estadio y la enfermedad previstos para prescribir las dosis adecuadas de herbicidas o pesticidas que se usarán en el tratamiento. El flujo de trabajo del sistema propuesto se muestra en (Figura 3). Las subsecciones anteriores (de la A a la I) explican cada uno de los elementos individuales de esta canalización, por eso no se hace más descripción aquí. La aplicación basada en Streamlit desarrollada en este estudio es un prototipo de herramienta de apoyo a la toma de decisiones destinada a demostrar la aplicabilidad práctica del modelo propuesto. El sistema permite a los usuarios subir imágenes de hojas de arroz y recibir predicciones de enfermedades, información sobre la etapa de crecimiento y recomendaciones de tratamiento. Se realizarán pruebas de usabilidad a gran escala y despliegue en el campo con agricultores como parte de futuros trabajos para evaluar la efectividad y usabilidad real del sistema.

Results

Modelo de clasificación de etapas

El modelo de predicción por etapas alcanzó una precisión de entrenamiento del 95,88% (pérdida: 0,1172) y una validación del 95,24% (pérdida: 0,1751), lo que indica que el modelo está aprendiendo de forma consistente y haciendo predicciones justas cuando se aplica a muestras de validación no vistas. Se logró una precisión de validación del 95,24%, con una pérdida de validación de 0,1751. El modelo alcanzó una p...

Discussion

El artículo actual sugiere un novedoso sistema de apoyo a la decisión que implica la predicción de la etapa de crecimiento de las hojas de arroz, la clasificación de las enfermedades con la ayuda de un conjunto de modelos de aprendizaje profundo (VGG16, MobileNetV2 y ResNet50), y la recomendación de tratamiento basada en etapas basada en una aplicación web. El modelo de conjunto obtuvo una precisión del 98,99% en la clasificación del modelo, que es superior a la de los modelos individual...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Conjunto de datos	Conjunto de datos de etapas de hojas de arroz (PaddyNet4)	560 imágenes en 4 etapas de crecimiento (Etapa 2 y guion; 5)
Conjunto de datos	Conjunto de datos sobre la enfermedad de la hoja de arroz	6920 imágenes de 6 clases de enfermedades de Kaggle
Conjunto de datos	Conjunto de datos de tratamiento	Conjunto de datos compilado con prácticas de manejo de enfermedades por etapa de crecimiento
Preprocesamiento	Redimensionamiento de imagen	Imágenes redimensionadas a 128x128x3
Preprocesamiento	Normalización	Valores de píxeles escalados a [0,1]
Preprocesamiento	Codificación de etiquetas	Etiquetas categóricas convertidas a numéricas
Aumento	Rotación	Hasta 30 grados
Aumento	Cambio de ancho/altura	Hasta un 20%
Aumento	Zoom	Hasta un 20%
Aumento	Cizallamiento y cizalla; Flip	Cizallamiento y volteo horizontal
Modelo	CNN (Clasificación de Etapas)	CNN ligero con 3 capas de conversión
Modelo	CNN (Clasificación de enfermedades)	CNN personalizada con capas de conv + pooling
Modelo	VGG16	Modelo de aprendizaje por transferencia
Modelo	ResNet50	Modelo de aprendizaje por transferencia
Modelo	InceptionV3	Modelo de aprendizaje por transferencia
Modelo	MobileNetV2	Modelo ligero de aprendizaje por transferencia
Técnica	Aprendizaje en conjunto	Votación por probabilidad media de 5 modelos
Técnica	Aprendizaje por transferencia	Uso de pesos preentrenados de ImageNet
Técnica	Regularización de abandono	Para evitar sobreajustes
Formación	Optimizador	Adam (tasa de aprendizaje 0,001)
Formación	Función de pérdida	Entropía cruzada categórica
Formación	Tamaño del lote	10 (modelo en etapas), 32 (modelos de enfermedades)
Formación	Épocas	10 (estadio), 20 (enfermedad)
Evaluación	Métricas	Precisión, Precisión, Recordatorio, Puntuación F1
Despliegue	Streamlit	Aplicación web para predicción en tiempo real