Empowering Date Palm Disease Management with Deep Learning: A Comparative Performance Analysis of Pretrained Models for Stage-wise White-Scale Disease Classification

Abdelaaziz Hessane; Mohamed Khalifa Boutahir; Ahmed El Youssefi; Yousef Farhaoui; Badraddine Aghoutane

doi:10.56294/dm2023102

Artículos originales

Published: 2023-12-28

DOI: https://doi.org/10.56294/dm2023102

Potenciando la gestión de enfermedades de la palmera datilera con aprendizaje profundo: Un análisis comparativo del rendimiento de modelos preentrenados para la clasificación de enfermedades de la escala blanca por etapas

Resumen

El aprendizaje profundo (deep learning, DL) ha revolucionado las prácticas de gestión de cultivos, y la detección y clasificación de enfermedades han cobrado importancia por su impacto en la salud y la productividad de los cultivos. Al abordar las limitaciones de los métodos tradicionales, como la dependencia de características artesanales, la sensibilidad a conjuntos de datos pequeños, la adaptabilidad limitada y los problemas de escalabilidad, el aprendizaje profundo permite la detección precisa de enfermedades, la supervisión en tiempo real y las prácticas de agricultura de precisión. Su capacidad para analizar y extraer características de imágenes, manejar datos multimodales y adaptarse a nuevos patrones de datos allana el camino para un futuro agrícola más sostenible y productivo. Este estudio evalúa seis modelos de aprendizaje profundo preentrenados diseñados para la clasificación por etapas de la enfermedad de la palmera datilera blanca (WSD). El estudio evalúa métricas clave como la precisión, la sensibilidad al volumen de datos de entrenamiento y el tiempo de inferencia para identificar el modelo más eficaz para la clasificación precisa de la WSD por etapas. Para el desarrollo y la evaluación del modelo, empleamos un conjunto de datos de 1.091 imágenes coloreadas de foliolos de palmera datilera clasificados en cuatro clases distintas: sana, con bajo grado de infestación, con grado de infestación medio y con grado de infestación alto. Los resultados revelan que el modelo MobileNet es el más eficaz, con una precisión y un tiempo de inferencia superiores a los de los demás modelos y a los de los métodos más avanzados. El modelo MobileNet logra una alta precisión de clasificación con sólo el 60% de los datos de entrenamiento. Aprovechando el poder del aprendizaje profundo, este estudio mejora las prácticas de gestión de enfermedades en la agricultura de la palmera datilera, fomentando la mejora del rendimiento de los cultivos, la reducción de las pérdidas y la producción sostenible de alimentos.

Keywords:

Agricultura de Precisión,

Palmera Datilera (Phoenix Dactylifera),

Enfermedad de la Escala Blanca,

Aprendizaje Profundo,

Aprendizaje de Transferencia,

Cómo citar

Hessane A, Khalifa Boutahir M, El Youssefi A, Farhaoui Y, Aghoutane B. Potenciando la gestión de enfermedades de la palmera datilera con aprendizaje profundo: Un análisis comparativo del rendimiento de modelos preentrenados para la clasificación de enfermedades de la escala blanca por etapas. Data and Metadata [Internet]. 28 de diciembre de 2023 [citado 7 de julio de 2024];2:102. Disponible en: https://dm.saludcyt.ar/index.php/dm/article/view/102

Aviso de derechos de autor/a

Este artículo se distribuye bajo la licencia Creative Commons Attribution 4.0 License. A menos que se indique lo contrario, el material publicado asociado se distribuye bajo la misma licencia.

Article metrics

Google scholar: See link

Métricas

Cargando métricas ...

Vol. 2 (2023)

See full issue

Revistas / Journals

Issue

Acerca de

Envíos