Nuevo algoritmo de inteligencia artificial para una detección más precisa de enfermedades de las plantas


Cada año, las enfermedades de las plantas causadas por bacterias, virus y hongos contribuyen a importantes pérdidas económicas. 


por la Universidad Agrícola de NanJing


La pronta detección de estas enfermedades es necesaria para frenar su propagación y mitigar los daños agrícolas, pero representa un gran desafío, especialmente en áreas de producción a gran escala. Los sistemas de agricultura inteligente utilizan cámaras de vigilancia equipadas con modelos de inteligencia artificial (IA) para detectar características de enfermedades de las plantas, que a menudo se manifiestan como cambios en la morfología y apariencia de las hojas.

Sin embargo, los métodos convencionales de clasificación de imágenes y reconocimiento de patrones extraen características indicativas de plantas enfermas de un conjunto de entrenamiento. Como resultado, tienen poca interpretabilidad, lo que significa que es difícil describir qué características se aprendieron.

Además, obtener grandes conjuntos de datos para el entrenamiento de modelos es tedioso. Las características artesanales, que se seleccionan en función de detectores de características, descriptores y vocabulario diseñados por expertos, ofrecen una solución factible a este problema. Sin embargo, esto a menudo da como resultado la adopción de características irrelevantes, lo que reduce el rendimiento del algoritmo.

Afortunadamente, ahora hay una solución en el horizonte. Un equipo de científicos de datos y expertos en fenómica de plantas de China y Singapur ha desarrollado un algoritmo de inteligencia de enjambre para la selección de características (SSAFS) que permite la detección eficiente de enfermedades de las plantas basada en imágenes. Informaron sobre el desarrollo y la validación de este algoritmo en su reciente estudio publicado en Plant Phenomics .

Al explicar los beneficios de la introducción de SSAFS, el autor correspondiente de este estudio, el profesor Zhiwei Ji, comenta: «SSAFS no solo reduce significativamente el recuento de características, sino que también mejora significativamente la precisión de la clasificación».

El estudio utilizó una combinación de dos principios: fenómica de alto rendimiento, a través de la cual se pueden analizar a gran escala rasgos de la planta como la gravedad de la enfermedad, y visión por computadora, en la que se extraen características de imagen representativas de una condición específica. Usando SSAFS y un conjunto de imágenes de plantas, los investigadores identificaron un «subconjunto de características óptimas» de las enfermedades de las plantas.

Este subconjunto abarcaba una lista de solo las características de alta prioridad que podrían clasificar con éxito una planta como enferma o sana, y estimar aún más la gravedad de la enfermedad. La eficacia de SSAFS se probó en cuatro conjuntos de datos de UCI y seis conjuntos de datos de fenómica de plantas. Estos conjuntos de datos también se utilizaron para comparar el rendimiento de SSAFS con el de otros cinco algoritmos de inteligencia de enjambre similares.

Los hallazgos demuestran que SSAFS funciona bien tanto en la detección de enfermedades de las plantas como en la estimación de la gravedad. De hecho, superó a los algoritmos de última generación existentes en la identificación de las características de imagen artesanales más valiosas. Curiosamente, la mayoría de estas características relacionadas con la enfermedad eran locales, es decir, involucraban patrones o estructuras distintas, como puntas, bordes y parches, que a menudo se observan en las plantas enfermas.

En general, este algoritmo es una herramienta valiosa para obtener una combinación óptima de características de imágenes artesanales indicativas de enfermedades de las plantas . Su adopción podría mejorar significativamente la precisión del reconocimiento de enfermedades de las plantas y reducir la duración del procesamiento requerido.

Cuando se le preguntó acerca de las implicaciones futuras de su estudio, el profesor Ji comenta: «Una de las contribuciones cruciales de este trabajo a la fenómica de las plantas es la definición de características artesanales y la pantalla de precisión de características relevantes a través de un enfoque computacional novedoso. Proponemos combinar características completas hechas a mano y no hechas a mano de imágenes de plantas para una detección precisa y eficiente en el campo de la fenómica».

Más información: Zhiwei Ji et al, Una nueva estrategia de selección de características basada en el algoritmo Salp Swarm para la detección de enfermedades de las plantas, Plant Phenomics (2023). DOI: 10.34133/plantafenomics.0039