El arroz es uno de los cultivos alimentarios más importantes para miles de millones de personas, pero las plantas son susceptibles a una amplia variedad de enfermedades que no siempre son fáciles de identificar en el campo. 


por David Bradley, Inderscience


Un nuevo trabajo en el International Journal of Engineering Systems Modeling and Simulation investigó si una aplicación basada en un algoritmo de red neuronal de convolución podría usarse para determinar de manera rápida y efectiva qué está afectando a un cultivo, especialmente en las primeras etapas cuando los signos y síntomas bien pueden ser ambiguo.

Manoj Agrawal y Shweta Agrawal de la Universidad Sage en Indore, Madhya Pradesh, sugieren que se necesita mucho un método automatizado para la identificación de enfermedades del arroz. Ahora han entrenado varias herramientas de aprendizaje automático con más de 4000 imágenes de arroz sano y enfermo y las han probado con datos de enfermedades de diferentes fuentes. Demostraron que la arquitectura ResNet50 ofrece la mayor precisión con un 97,5 %.

El sistema puede determinar a partir de una fotografía de una muestra del cultivo si está enfermo o no y, de ser así, puede identificar cuál de las siguientes enfermedades comunes que afectan al arroz tiene la planta: añublo de la hoja, mancha marrón, tizón de la vaina, escaldadura de la hoja , tizón bacteriano de la hoja, añublo del arroz, añublo del cuello, falso carbón, tungro, barrenador del tallo, hispa y pudrición de la vaina.

En general, el enfoque del equipo tiene una precisión del 98,2 % en imágenes de prueba independientes. Tal precisión es suficiente para guiar a los agricultores a dar una respuesta adecuada a una infección determinada en su cultivo y así salvar tanto su cultivo como sus recursos en lugar de desperdiciar productos o dinero en tratamientos ineficaces.

El equipo enfatiza que el sistema funciona bien independientemente de las condiciones de iluminación cuando se toma la fotografía o el fondo de la fotografía. Agregan que la precisión aún podría mejorarse agregando más imágenes al conjunto de datos de entrenamiento para ayudar a la aplicación a hacer predicciones a partir de fotos tomadas en condiciones dispares.

DEJA UNA RESPUESTA

Por favor ingrese su comentario!
Por favor ingrese su nombre aquí