STI laboratory, T-IDMS, Faculty of Sciences and Techniques of Errachidia, Moulay Ismail University of Meknès, Morocco
STI laboratory, T-IDMS, Faculty of Sciences and Techniques of Errachidia, Moulay Ismail University of Meknès, Morocco
STI laboratory, T-IDMS, Faculty of Sciences and Techniques of Errachidia, Moulay Ismail University of Meknès, Morocco
STI laboratory, T-IDMS, Faculty of Sciences and Techniques of Errachidia, Moulay Ismail University of Meknès, Morocco
IA Laboratory, Department of Computer Science, Faculty of Sciences, Moulay Ismail University of Meknès, Morocco
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.
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.
The statements, opinions and data contained in the journal are solely those of the individual authors and contributors and not of the publisher and the editor(s). We stay neutral with regard to jurisdictional claims in published maps and institutional affiliations.