Resumen

En este artículo se propone un marco para el diagnóstico de enfermedades de las plantas (DEP) basado en una red neuronal convolucional (CNN) (es decir, PDD-Net), que utiliza técnicas de aumento de datos e incorpora características multinivel y multiescala para crear una arquitectura no variante de clase y escala. El método PDD-Net permitió la detección de patrones visuales de grano fino en hojas de plantas a diferentes niveles de abstracción, lo que se tradujo en resultados de alto rendimiento al identificar diversas enfermedades mientras se manejaban variaciones de clase. El enfoque multiescala mejora la capacidad de la red para identificar variaciones a pequeña escala en las imágenes permitiendo diagnosticar enfermedades en una fase temprana. Estos resultados demuestran que el aprendizaje profundo puede ayudar a los agricultores, mejorar el rendimiento de los cultivos y contribuir a la seguridad alimentaria mundial.

• Materias:Enfermedades Imágenes diagnósticas Plaga en cultivos Redes neuronales (Computadores)
• Subjects:Diseases Diagnostic imaging Crop pest Neural networks (Computer science)
• Palabras claves:Diagnóstico de enfermedades de las plantas; visión por ordenador; red neuronal convolucional; características multinivel; características multiescala; diagnóstico de enfermedades de las hojas; clasificación de enfermedades
• Keywords:Plant disease diagnosis; computer vision; convolutional neural network; multilevel features; multiscale features; leaf diseases diagnosis; disease classification