Resumen

Las enfermedades de las plantas son una de las principales causas de la reducción del rendimiento de los cultivos. Con el desarrollo de la visión por ordenador y la tecnología de aprendizaje profundo, la detección autónoma de imágenes de lesiones de la superficie de la planta recogidas por sensores ópticos se ha convertido en una importante dirección de investigación para el diagnóstico oportuno de enfermedades de los cultivos. En este trabajo, se propone un método de detección de lesiones de antracnosis basado en el aprendizaje profundo. En primer lugar, para el problema de los datos de imagen insuficientes causados por la aparición aleatoria de enfermedades de la manzana, además de las técnicas tradicionales de aumento de imagen, en este trabajo se utiliza el modelo de aprendizaje profundo Cycle-Consistent Adversarial Network (CycleGAN) para lograr el aumento de datos. Estos métodos enriquecen eficazmente la diversidad de los datos de entrenamiento y proporcionan una base sólida para entrenar el modelo de detección. En este trabajo, sobre la base del aumento de datos de imágenes, se utiliza una red neuronal densamente conectada (DenseNet) para optimizar las capas de características del modelo YOLO-V3 que tienen menor resolución. DenseNet mejora en gran medida la utilización de características en la red neuronal y mejora el resultado de detección del modelo YOLO-V3. En los experimentos se comprueba que el modelo mejorado supera en rendimiento de detección a Faster R-CNN con VGG16 NET, al modelo original YOLO-V3 y a otras tres redes de última generación, y puede realizar la detección en tiempo real. El método propuesto puede aplicarse bien a la detección de lesiones de antracnosis en superficies de manzanas en huertos.

• Materias:Biotecnología Sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology sensors Sensor system Sensor technology
• Palabras claves:modelo v3, artículo, red neuronal, método de detección de lesiones por antracnosis, imágenes de lesiones en la superficie de las plantas, diagnóstico oportuno de enfermedades de los cultivos, técnicas tradicionales de aumento de imágenes, red adversarial consistente, reducción del rendimiento de los cultivos, tecnología de aprendizaje profundo.
• Keywords:v3 model, paper, neural network, anthracnose lesion detection method, plant surface lesion images, timely crop disease diagnosis, traditional image augmentation techniques, consistent adversarial network, crop yield reduction, deep learning technology