Resumen

Este artículo aplica una red neuronal convolucional profunda (CNN) para identificar enfermedades en hojas de tomate mediante transfer learning. AlexNet, GoogLeNet y ResNet se utilizaron como estructuras base de la CNN. El mejor modelo combinado se empleó para modificar la estructura, con el objetivo de explorar el rendimiento del entrenamiento completo y el ajuste fino de la CNN. La mayor precisión del 97,28% para identificar enfermedades en hojas de tomate se logra con el modelo óptimo ResNet utilizando descenso de gradiente estocástico (SGD), un tamaño de lote de 16, un número de iteraciones de 4992 y entrenando las capas desde la capa 37 hasta la capa completamente conectada (denominada como fc). Los resultados experimentales muestran que la técnica propuesta es efectiva para identificar enfermedades en hojas de tomate y podría generalizarse para identificar otras enfermedades de plantas.

• Materias:Comprensión de imágenes Inteligencia artificial Detección de manipulaciones Visión artificial Imágenes espaciales
• Subjects:Image understanding Artificial intelligence Manipulation detection Artificial vision Spatial imaging
• Palabras claves:Aprendizaje profundo; Red neuronal convolucional; Transfer learning; Enfermedad de la hoja de tomate; ResNet; Identificación
• Keywords:Deep learning; Convolutional neural network; Transfer learning; Tomato leaf disease; ResNet; Identifying