Resumen

La estimación automática y precisa de la gravedad de las enfermedades es esencial para la seguridad alimentaria, la gestión de las enfermedades y la predicción de la pérdida de rendimiento. El aprendizaje profundo, el último avance en visión por ordenador, es prometedor para la clasificación de la gravedad de las enfermedades, ya que el método evita la laboriosa ingeniería de características y la segmentación basada en umbrales. Utilizando las imágenes de la podredumbre negra de la manzana en el conjunto de datos PlantVillage, que además están anotadas por botánicos con cuatro etapas de gravedad como verdad de base, se entrenan una serie de redes neuronales convolucionales profundas para diagnosticar la gravedad de la enfermedad. En este trabajo se evalúan sistemáticamente las prestaciones de las redes superficiales entrenadas desde cero y de los modelos profundos ajustados mediante aprendizaje de transferencia. El mejor modelo es el modelo profundo VGG16 entrenado con aprendizaje de transferencia, que arroja una precisión global del 90,4% en el conjunto de pruebas de retención. El modelo de aprendizaje profundo propuesto puede tener un gran potencial en el control de enfermedades para la agricultura moderna.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:aprendizaje por transferencia, estimación de la enfermedad, red neuronal convolucional, modelo de aprendizaje profundo, imagen de podredumbre negra, ingeniería de características intensivas, modelo profundo vgg16, clasificación de la gravedad de la enfermedad, gran potencial, estimación precisa
• Keywords:transfer learning, estimation of disease, convolutional neural network, deep learning model, black rot image, intensive features engineering, deep vgg16 model, disease severity classification, great potential, accurate estimation