La producción de tomate puede reducirse en gran medida debido a diversas enfermedades, como por ejemplo de la mancha bacteriana, el tizón temprano o el moho de las hojas. Pero con un reconocimiento rápido y tratamiento oportuno de las enfermedades ayudan a minimizar la pérdida de producción de tomate. Hoy en día, hay una gran cantidad de investigadores han desarrollado y examinado varios algoritmos tradicionales de aprendizaje automático (ML) y aprendizaje profundo (DL) para la clasificación de enfermedades de las plantas.
Sin embargo, mediante un análisis de la encuesta realizada, el equipo encontró que no hay estudios que comparen el desempeño de clasificación de aprendizaje automático y aprendizaje profundo para solucionar el problema de la clasificación de laa enfermedadades del tomate. El rendimiento y los resultados de los diferentes métodos tradicionales de ML y DL (un subconjunto de ML) pueden variar según los conjuntos de datos utilizados y las tareas a resolver. Este estudio generalmente tiene por objetivo la identificación de modelos ML / DL más adecuados para la toma de datos del tomate PlantVillage y el problema de clasificación de sus enfermedades.Por eso, para la implementación del algoritmo de aprendizaje automático, el equipo ha utilizado diferentes métodos para extraer las características de la enfermedad manualmente. En este estudio, el equipo extrajo un total de 52 características de textura utilizando métodos de patrón binario local (LBP) y matriz de co-ocurrencia de nivel de gris (GLCM) y 105 características de color utilizando métodos de histograma de color y momento de color.
Al comparar con los diferentes métodos, el equipo descubrió que las métricas (exactitud, precisión, recuperación, puntaje F1) de las redes de aprendizaje profundo probadas (AlexNet, VGG16, ResNet34, EfficientNet-b0 y MobileNetV2) eran todas mejores que las medidas algoritmos de aprendizaje automático (máquina de vectores de soporte (SVM), vecino k-más cercano (kNN) y bosque aleatorio (RF)). Además, el equipo descubrió que, para el conjunto de datos y la tarea de clasificación, entre los algoritmos ML / DL probados, la red ResNet34 obtuvo los mejores resultados, con precisión del 99,7%, precisión del 99,6%, recuperación del 99,7% y puntuación F1 de 99,7%. lo que cumple con los requisitos de precisión de clasificación de enfermedades.Concluyen que, la calidad y la cantidad de las plantas de tomate se ven afectadas por los ataques de enfermedades.
Artículo transcrito y traducido por Agribusiness Ecuador
Tomado de Hortidaily
