Nuevo modelo informático ayuda a identificar enfermedades en hojas de limonero a partir de fotos

En resumen: Investigadores construyeron un nuevo sistema informático para detectar enfermedades en hojas de limonero de forma automática mediante fotos. El modelo alcanzó una alta precisión en múltiples conjuntos de datos de hojas.

Encontrar enfermedades vegetales en limoneros suele requerir de un experto humano, pero una nueva herramienta informática pretende facilitar mucho esta tarea.

Qué ocurrió, en palabras sencillas

Investigadores liderados por autores como C.M. Abir, S. Biswas y P.K. Sahoo notaron que revisar las hojas de limonero a mano es lento y puede dar lugar a errores. Para solucionar esto, crearon una nueva colección de imágenes de hojas llamada Citrus Leaf Pathology Multi-Class Image Dataset, que contiene 14 clases diferentes. También diseñaron una arquitectura informática llamada Hybrid Multi-Branch Attention Fusion Network, o HMAF-Net, para clasificar las imágenes. Su modelo alcanzó un 95,59 % de exactitud y un 96,63 % de precisión en su conjunto de datos. También obtuvo altas tasas de exactitud en tres conjuntos de datos externos independientes de hojas de limón y cítricos.

Puntos clave

• La comprobación manual de enfermedades es difícil: Depender de expertos experimentados para detectar enfermedades foliares en cultivos de limón a mano es lento y propenso a errores humanos en el campo.
• Se creó una nueva colección de imágenes: El equipo presentó un conjunto de datos que incluye 14 clases diferentes de enfermedades para hojas de limonero con el fin de ayudar a entrenar modelos informáticos.
• Alta exactitud en las pruebas: El nuevo modelo alcanzó un 95,59 % de exactitud y un 96,63 % de precisión en el conjunto de datos principal del estudio.
• Gran rendimiento con datos externos: El sistema logró un 97,48 %, 95,89 % y 98,23 % de exactitud en tres conjuntos de datos externos independientes de hojas de limón y cítricos.
• Se comprobó que las predicciones son correctas: Las visualizaciones mediante inteligencia artificial explicable demostraron que el modelo se centra en las partes de las hojas verdaderamente relevantes para la enfermedad.

Términos explicados

• Aprendizaje profundo — Un tipo de tecnología informática que permite a las máquinas aprender a reconocer patrones a partir de grandes cantidades de datos, como imágenes digitales. Ejemplo: Una aplicación que observa fotos de animales y te dice si una imagen muestra un gato o un perro.
• Ramas convolucionales — Partes de un modelo informático que escanean imágenes para extraer características visuales importantes como formas y patrones. Ejemplo: Mirar diferentes partes de un rompecabezas pieza por pieza para averiguar a qué imagen pertenece.
• Precisión — Una medida de la frecuencia con la que un modelo acierta cuando predice que cierta condición está presente. Ejemplo: Si una aplicación meteorológica predice lluvia diez veces y realmente llueve en nueve de ellas, su precisión es alta.

Por qué importa

Las enfermedades de las plantas pueden arruinar cosechas a nivel mundial. Automatizar el proceso de identificación con imágenes digitales podría proporcionar a los no expertos herramientas de diagnóstico accesibles para su uso agrícola en el mundo real.

Lo que aún no sabemos

La fuente señala que los estudios previos de aprendizaje profundo a menudo no lograban alcanzar una alta precisión y dependían de conjuntos de datos con un número insuficiente de clases de enfermedades, problema que este nuevo estudio busca abordar. El texto no ofrece detalles sobre la disponibilidad comercial o una integración agrícola más amplia más allá de los conjuntos de datos de prueba.

Fuente: Scientific Reports. El original tiene licencia CC BY. Este texto es una adaptación hecha con ayuda de IA (resumida, simplificada y traducida) y puede diferir del original.