Classification of leaf diseases in plants applying Deep Learning Techniques

Abstract

Una de las principales preocupaciones de los agricultores es la detección temprana de enfermedades en sus cultivos. Sin embargo, supervisar los cultivos extendidos manualmente por los agricultores es una tarea extensa y tediosa. En relación con este objetivo y para proporcionar una solución automática y eficiente, este trabajo se centra en el análisis y la búsqueda de un método óptimo para la creación de un sistema automático informático que sea capaz de detectar plagas y enfermedades en las hojas de las plantas mediante la clasificación automática de imágenes. En este trabajo, se realizó una revisión del estado del arte de las técnicas para la clasificación automática de enfermedades e imágenes de plantas en general. Después de la revisión, se eligió el método más óptimo, el Aprendizaje Profundo (AP) y específicamente las Redes Neuronales Convolucionales (RNC). Actualmente hay muchas arquitecturas de RNC y sus variaciones disponibles, por lo que las más relevantes se seleccionaron después de un estudio de comparación realizado entre los modelos de RNC más destacados en la literatura. Por lo tanto, se obtuvieron cinco redes que destacan por su precisión, costo computacional, número de capas y parámetros. Son Inception 3, GoogLeNet, ZFNet, ResNet 50 y ResNet 101. Las arquitecturas seleccionadas fueron entrenadas y probadas con un conjunto de datos de 13k imágenes de hojas sanas y no saludables obtenidas de Plant Village [1]. Para probar el comportamiento y el rendimiento de los modelos en un entorno realista y, además, para ayudar al entrenamiento y la precisión, se realizaron diferentes experimentos en el conjunto de datos, así como en los hiperparámetros de los modelos. Una vez que se llevaron a cabo los experimentos y se analizaron y compararon los resultados, se obtuvo la RNC ZFnet como la opción más apropiada debido a su eficiencia en términos de costo computacional y nivel de precisión. ZFnet alcanzo una precisión del 91 % con los datos sin procesar y del 93 % después del preprocesamiento de datos y el ajuste. En el tiempo de entrenamiento y despliegue, ZFnet pudo realizar 10 iteraciones de entrenamiento en 2 segundos y desplegar 10 imágenes al mismo tiempo muy por debajo de los otros modelos evaluados en este trabajo.