El diagnóstico rápido de las enfermedades de las plantas es vital para evitar grandes pérdidas de producción y mantener la seguridad alimentaria.
por Universidad Agrícola de NanJing
Recientemente, los métodos basados en la detección de objetos que utilizan el aprendizaje profundo se han mostrado prometedores a la hora de identificar y localizar con precisión enfermedades de los cultivos.
Sin embargo, estos métodos actualmente enfrentan limitaciones, ya que generalmente se limitan al diagnóstico de enfermedades en cultivos individuales y conllevan una alta carga computacional debido a sus amplios requisitos de parámetros. Esto plantea desafíos a la hora de implementar estos modelos en dispositivos móviles agrícolas, ya que la reducción de parámetros a menudo conduce a una menor precisión.
Por lo tanto, es necesario realizar investigaciones para equilibrar la eficiencia y la precisión del modelo, apuntando a modelos livianos pero efectivos capaces de diagnosticar múltiples enfermedades en diversos cultivos.
En junio de 2023, Plant Phenomics publicó un artículo de investigación titulado «La destilación del conocimiento facilita el peso ligero. y Modelo Eficiente de Detección de Enfermedades de las Plantas .»
En este estudio, los investigadores introdujeron un método novedoso, ligero y eficiente para el diagnóstico de enfermedades de las plantas mediante la detección de objetos en múltiples cultivos. El enfoque emplea la destilación del conocimiento, centrándose en la destilación del conocimiento en múltiples etapas (MSKD) para mejorar los modelos livianos de estudiantes a través de un modelo integral de docente.
El estudio se basó en el conjunto de datos PlantDoc y utilizó varios hiperparámetros y limpieza de datos para mejorar la precisión del modelo. Los modelos de estudiantes, incluidas las variantes YOLOR-Light y Mobile-YOLOR, se compararon con los métodos tradicionales y con los más recientes de detección de objetos con imágenes. Estos modelos demostraron un rendimiento superior en términos de parámetros, requisitos computacionales y uso de memoria, manteniendo al mismo tiempo una precisión comparable.
La eficacia del método MSKD se confirmó comparando modelos destilados con modelos no destilados, lo que demuestra mejoras significativas en la precisión media media (mAP).
El análisis de visualización utilizando Eigen-CAM reveló que los modelos de los estudiantes, después de la destilación, asignaron la atención de manera más efectiva, mejorando la localización y clasificación de las enfermedades. El estudio de ablación estableció además la eficacia de la destilación en diferentes partes de los modelos de los estudiantes, enfatizando el papel del destilador en el escenario principal en el aprendizaje de información espacial y Diversidad de categorías de enfermedades de las plantas.
El estudio también evaluó los modelos’ Naturaleza liviana, crucial para aplicaciones agrícolas del mundo real.
El modelo YOLOR-Light-v2 surgió como una elección equilibrada, que logra una armonía entre ligereza y precisión. También se examinaron los valores iniciales de las cajas de objetos, destacando la importancia del conocimiento específico del conjunto de datos para una localización precisa de las lesiones.
En resumen, este estudio integral no solo avanza en el diagnóstico de enfermedades de las plantas mediante la detección de objetos, sino que también abre vías para abordar desafíos más amplios en el procesamiento de imágenes agrícolas.
Más información: Qianding Huang et al, La destilación del conocimiento facilita el modelo ligero y eficiente de detección de enfermedades de las plantas, Fenómica de las plantas (2023). DOI: 10.34133/plantphenomics.0062
