El monitoreo en tiempo real de las plantas de tomate en las fábricas de plantas es necesario para identificar y clasificar las enfermedades en las etapas tempranas y prevenir posibles brotes.

La red DeepD381v4plus propuesta exhibe una mayor precisión, sensibilidad, especificidad, precisión, puntaje F1 y coeficiente de correlación de Matthews superiores a 0,96 para enfermedades de las hojas de tomate multivarietales. Durante la etapa reproductiva, también es necesario monitorear la formación de yemas, la apariencia de las flores, las marcas de mordeduras y el cuajado de frutos para confirmar la polinización.
El detector DeepDet381v4—YOLOv4M logra la mayor precisión promedio media (mAP) (0,90) y la mAP más baja (0,68) en la clase TFl_Blooming y la mAP más baja (0,68) en la clase TFl_Transforming.
Sin embargo, en simulaciones del mundo real, DeepDet381v4—YOLOv4M puede detectar y contar tomates maduros a una distancia de 40 cm con poco o ningún error. Ambas redes utilizadas para tareas de clasificación y detección-conteo son de tamaño pequeño con una alta eficiencia de clasificación y detección (>27 fps).
En general, el enfoque experimental propuesto ayudará a los agricultores a prevenir brotes de enfermedades, monitorear las formas de las flores que pueden dar frutos a la mayor tasa, detectar y contar frutos maduros o reconocer frutos dañados debido a grietas en la superficie o enfermedades para cosecharlos en su etapa óptima de madurez. Esto reducirá los costos de mano de obra, mejorará la gestión del cultivo y garantizará que los tomates cosechados sean de excelente calidad.
Los resultados se publican en Computers and Electronics in Agriculture .
Más información: MP Islam et al, Sistema de monitoreo de plantas de tomate asistido por inteligencia artificial: un enfoque experimental basado en una red neuronal convolucional universal de múltiples ramas y propósito general, Computers and Electronics in Agriculture (2024). DOI: 10.1016/j.compag.2024.109201
