Deteccion de enfermedades mediante las hojas del maíz utilizando DEEP Learning para los agricultores del distrito de Curahuasi Abancay-2024
Barra lateral del artículo
Contenido principal del artículo
Resumen
El maíz es un cultivo importante en el Perú, esencial para la seguridad alimentaria. Sin embargo, su cultivo enfrenta desafíos significativos debido a enfermedades debilitando como la Trips del maíz, y el virus del Roya del maíz, que pueden conducir a graves pérdidas del rendimiento. Los métodos tradicionales de diagnostico de enfermedades de las plantas a menudo requieren mucho tiempo y son propensos a errores, lo que requiere enfoque más eficiente. Este estudio explora la aplicación de apredizaje profundo, especialmente las redes neuronales convolucionales (CNN), en la detección y clasificación automáticas de enfermedades del maíz. El objetivo de este estudio es comparar la precisión de dos arquitecturas: CNN básico y ResNet18, la imagen de prueba utilizo un conjuinto de datos formado de 3087 imágenes que comprenden de enfermedades de las hojas del maíz, las clases están conformados por, Trips, Roya y hojas Sanas. Además, realizamos un ajuste hiperparametros para mejorar el rendimiento de los modelos y el mapeo de activación de clases ponderado por gradiente, para la interpretabilidad del modelo. Nuestros resultados muestran que el modelo ResNet18 demostro una precisión del 99.38% al distinguir entre pantas sanas y enfermas. Los resultados de este estudio contribuyen al avance de las aplicaciones de IA en la agricultura, en particular en el diagnóstico de enfermedades del maíz en Curahuasi Perú.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Cuando un autor crea un artículo y lo publica en una revista, los derechos de autor pasan a la revista como parte del acuerdo de publicación. Por lo tanto, la revista se convierte en la dueña de los derechos de reproducción, distribución y venta del artículo. El autor conserva algunos derechos, como el derecho a ser reconocido como el creador del artículo y el derecho a utilizarlo para sus propios fines académicos o de investigación, a menos que se acuerde lo contrario en el contrato de publicación.
Cómo citar
Referencias
V. Singh, Varsha, and A. K. Misra, “Detection of unhealthy region of plant leaves using image processing and genetic algo-rithm,” in 2015 International Conference on Advances in Com-puter Engineering and Applications, 2015, pp. 1028–1032. doi: 10.1109/ICACEA.2015.7164858.
Y. Li and J. Yang, “Few-shot cotton pest recognition and termi-nal realization,” Comput. Electron. Agric., vol. 169, p. 105240, Feb. 2020, doi: 10.1016/J.COMPAG.2020.105240.
F. Saeed, M. A. Khan, M. Sharif, M. Mittal, L. M. Goyal, and S. Roy, “Deep neural network features fusion and selection based on PLS regression with an application for crops diseases classi-fication,” Appl. Soft Comput., vol. 103, p. 107164, May 2021, doi: 10.1016/J.ASOC.2021.107164.
P. J. Garcia Mendoza, “El cultivo del maíz en el mundo y en Perú ‘The cultivation of corn in the world and in Peru,’” Peru, vol. 1, no. 0, pp. 1–7, 2017.
J. K. Patil, “Color Feature Extraction of Tomato Leaf Diseases,” Int. J. Eng. Trends Technol., vol. 2, no. 2, pp. 72–74, 2011.
L. C. G. Clotilde Quispe Bustamante, Franco Oviedo Anguis, Maiz Amiláceo. 2011.
J. R. León-Murillo et al., “Tortillas Made With Extruded Flours of Blue Maize and Chía Seeds As an Nutritious and Nutraceutical Food Option,” Agrociencia, vol. 55, no. 6, pp. 487–506, 2021, doi: 10.47163/agrociencia.v55i5.2555.
D. G. Gabriela, “Trips: otra plaga más que ataca al maíz,” 16-05-2013. [Online]. Available: https://semillastodoterreno.com/2013/05/trips-otra-plaga-mas-que-ataca-al-maiz#:~:text=El trips (Frankliniella spp.),las primeras etapas del cultivo.
D. N. S. and D. P. M. and A. V. and J. A. T. and E. P. R. and H. H. Klump, “Restoration of native folding of single-stranded DNA sequences through reverse mutations: An indication of a new epigenetic mechanism,” Arch. Biochem. Biophys., vol. 453, no. 0003–9861, pp. 108–122, 2006, doi: https://doi.org/10.1016/j.abb.2005.12.009.
P. Boddupalli et al., “Maize lethal necrosis (MLN): Efforts to-ward containing the spread and impact of a devastating trans-boundary disease in sub-Saharan Africa,” Virus Res., vol. 282, no. October 2019, p. 197943, 2020, doi: 10.1016/j.virusres.2020.197943.
J. Chai, H. Zeng, A. Li, and E. W. T. Ngai, “Deep learning in computer vision: A critical review of emerging techniques and application scenarios,” Mach. Learn. with Appl., vol. 6, no. March, p. 100134, 2021, doi: 10.1016/j.mlwa.2021.100134.
K. Aruleba et al., “Applications of computational methods in biomedical breast cancer imaging diagnostics: A review,” J. Im-aging, vol. 6, no. 10, 2020, doi: 10.3390/JIMAGING6100105.
A. Waheed, M. Goyal, D. Gupta, A. Khanna, A. E. Hassanien, and H. M. Pandey, “An optimized dense convolutional neural network model for disease recognition and classification in corn leaf,” Comput. Electron. Agric., vol. 175, no. January, p. 105456, 2020, doi: 10.1016/j.compag.2020.105456.
T. O’Halloran, G. Obaido, B. Otegbade, and I. D. Mienye, “A deep learning approach for Maize Lethal Necrosis and Maize Streak Virus disease detection,” Mach. Learn. with Appl., vol. 16, no. May, p. 100556, 2024, doi: 10.1016/j.mlwa.2024.100556.
F. S. I. and I. A. R. and R. N. Said, “Identification of maize leaves infected by fall armyworms using UAV-based imagery and convolutional neural networks,” Comput. Electron. Agric., vol. 184, no. 0168–1699, p. 106124, 2021, doi: https://doi.org/10.1016/j.compag.2021.106124.
E. L. and L. W. and Q. X. and R. G. and Z. S. and Y. Li, “A novel deep learning method for maize disease identification based on small sample-size and complex background datasets,” Ecol. In-form., vol. 75, no. 1574–9541, p. 102011, 2023, doi: https://doi.org/10.1016/j.ecoinf.2023.102011.
K. Golhani, S. K. Balasundram, G. Vadamalai, and B. Pradhan, “A review of neural networks in plant disease detection using hyperspectral data,” Inf. Process. Agric., vol. 5, no. 3, pp. 354–371, 2018, doi: 10.1016/j.inpa.2018.05.002.
G. LeCun, Yann; Bengio, Yoshua; Hinton, “Deep learning,” Nature, vol. 436, no. 7553, p. 444, 2015, doi: 10.1038/nature14539.
L. Yann and B. Yoshua, “Convolutional Networks for Images, Speech, and Time-Series,” Handb. brain theory neural networks, pp. 255–258, 1995, [Online]. Available: https://www.researchgate.net/profile/Yann_Lecun/publication/2453996_Convolutional_Networks_for_Images_Speech_and_Time-Se-ries/links/0deec519dfa2325502000000.pdf%0Ahttps://www.researchgate.net/profile/Yann_Lecun/publication/2453996_Convolutional_Networks_fo
S. R. G. Reddy, G. P. S. Varma, and R. L. Davuluri, “Resnet-based modified red deer optimization with DLCNN classifier for plant disease identification and classification,” Comput. Electr. Eng., vol. 105, no. November 2022, p. 108492, 2023, doi: 10.1016/j.compeleceng.2022.108492.
I. A. and B. A. M. and H. Faris, “Oriented stochastic loss descent algorithm to train very deep multi-layer neural networks with-out vanishing gradients,” Knowledge-Based Syst., vol. 230, no. 0950–7051, p. 107391, 2021, doi: https://doi.org/10.1016/j.knosys.2021.107391.
E. Mortaz, “Imbalance accuracy metric for model selection in multi-class imbalance classification problems,” Knowledge-Based Syst., vol. 210, no. 0950–7051, p. 106490, 2020, doi: https://doi.org/10.1016/j.knosys.2020.106490.