Resumen

La última generación de redes neuronales convolucionales (CNN) ha logrado resultados impresionantes en el campo de la clasificación de imágenes. Este artículo trata de un nuevo enfoque para el desarrollo de un modelo de reconocimiento de enfermedades de plantas, basado en la clasificación de imágenes de hojas, mediante el uso de redes convolucionales profundas. La novedosa forma de entrenamiento y la metodología utilizada facilitan una rápida y fácil implementación del sistema en la práctica. El modelo desarrollado es capaz de reconocer 13 tipos diferentes de enfermedades de las plantas a partir de hojas sanas, con la capacidad de distinguir las hojas de las plantas de su entorno. Según nuestros conocimientos, este método de reconocimiento de enfermedades de las plantas se ha propuesto por primera vez. Todos los pasos esenciales requeridos para implementar este modelo de reconocimiento de enfermedades se describen completamente a lo largo del artículo, comenzando por la recopilación de imágenes para crear una base de datos, evaluada por expertos agrícolas. Se utilizó Caffe, un marco de aprendizaje profundo desarrollado por el Centro de Visión y Aprendizaje de Berkley, para realizar el entrenamiento de la CNN profunda. Los resultados experimentales sobre el modelo desarrollado alcanzaron una precisión entre el 91 y el 98%, para las pruebas de clases separadas, una media del 96,3%.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:modelo de reconocimiento de enfermedades, modelo desarrollado, red convolucional profunda, prueba de clase separada, red neuronal convolucional, entrenamiento de cnn profunda, marco de aprendizaje profundo, clasificación de imágenes de hojas, forma de entrenamiento, desarrollo de planta
• Keywords:disease recognition model, developed model, deep convolutional network, separate class test, convolutional neural network, deep cnn training, deep learning framework, leaves image classification, way of training, development of plant