\n\n\n\n
Sin embargo, las aplicaciones pr\u00e1cticas para la asistencia de los agricultores en este tema son escasas, por lo que un grupo de expertos agr\u00f3nomos, qu\u00edmicos e inform\u00e1ticos de China, Egipto y Arabia Saudita desarrollaron el software de c\u00f3digo abierto y f\u00e1cil de usar llamado AIGrapeCare. El sistema consiste en el monitoreo en tiempo real de la salud de las vides utilizando t\u00e9cnicas de teledetecci\u00f3n de im\u00e1genes. Su practicidad y rentabilidad lo convierten en una soluci\u00f3n valiosa para la identificaci\u00f3n y tratamiento de enfermedades en las plantas. Se emplean t\u00e9cnicas innovadoras para identificar con precisi\u00f3n el estado de salud de las plantas a trav\u00e9s del an\u00e1lisis de im\u00e1genes. <\/strong><\/em><\/h4>\n\n\n\n<\/div>\n\n\n![\"\"](\"https:\/\/enolife.com.ar\/es\/wp-content\/uploads\/2019\/07\/BANNER-AGROCONCIENCIA-1700X500-1.jpg\")
<\/a><\/div>\n\n\n<\/div>\n\n\n\n![\"\"](\"https:\/\/enolife.com.ar\/es\/wp-content\/uploads\/2024\/06\/image-74.png\")
<\/a><\/figure><\/div>\n\n\nPor Osama Elsherbiny<\/strong> (de la Escuela de Ingenier\u00eda Agr\u00edcola, Universidad de Jiangsu, Zhenjiang, China y del Departamento de Ingenier\u00eda Agr\u00edcola, Facultad de Agricultura, Universidad de Mansoura, Mansoura, Egipto); Ahmed Elaraby<\/strong> (del Departamento de Ciberseguridad, Facultad de Ingenier\u00eda y Tecnolog\u00eda de la Informaci\u00f3n, Buraydah Private Colleges, Buraydah, Arabia Saudita, y del Departamento de Ciencias de la Computaci\u00f3n, Facultad de Computaci\u00f3n e Informaci\u00f3n, Universidad del Valle Sur, Qena, Egipto); Mohammad Alahmadi<\/strong> (del Departamento de Ingenier\u00eda de Software, Facultad de Ciencias Inform\u00e1ticas e Ingenier\u00eda, Universidad de Yeddah, Arabia Saudita); Mosab Hamdan<\/strong> (del Centro de investigaci\u00f3n interdisciplinario para sistemas inteligentes y seguros, Universidad Rey Fahd de Petr\u00f3leo y Minerales, Dhahran, Arabia Saudita) y Jianminn Gao<\/strong> (de la Escuela de Ingenier\u00eda Agr\u00edcola, Universidad de Jiangsu, Zhenjiang China)<\/em><\/p>\n\n\n\n
<\/div>\n\n\n\nLas uvas<\/strong> son un cultivo de importancia global, con un impacto econ\u00f3mico significativo. La existencia de enfermedades en las vides<\/strong> representa una grave amenaza para la seguridad alimentaria mundial, ya que contribuyen significativamente a las p\u00e9rdidas de cultivos que oscilan entre el 10 y el 30%. Las vides son altamente susceptibles a una amplia variedad de enfermedades f\u00fangicas que pueden reducir los rendimientos. Estas incluyen la mancha foliar<\/strong> (Isariopsis griseola), el moho gris<\/strong> (Botrytis cinerea), el mildiu<\/strong> (Plasmopara viticola), el mildiu polvoriento negro<\/strong> (Guignardia bidwellii). Todas estas enfermedades tienen un efecto adverso en las hojas de las plantas o en el propio cultivo, lo que puede provocar una p\u00e9rdida moderada a extrema en la producci\u00f3n de uno o ambos. <\/p>\n\n\n\n
La salud de las vides puede verse afectada por una variedad de factores, siendo el estr\u00e9s inducido tanto por elementos bi\u00f3ticos como abi\u00f3ticos. El estr\u00e9s bi\u00f3tico<\/strong> surge de pat\u00f3genos vivos como hongos, virus y bacterias, que son los agentes pat\u00f3genos m\u00e1s prevalentes. En contraste, el estr\u00e9s abi\u00f3tico<\/strong> est\u00e1 vinculado a factores no vivos como el clima y las condiciones del suelo. Por ejemplo, la clorosis suele ser un s\u00edntoma fisiol\u00f3gico, no una enfermedad en s\u00ed misma. Es causada por factores como deficiencias de nutrientes (hierro, nitr\u00f3geno, magnesio o zinc), malas condiciones del suelo (drenaje inadecuado, pH alto o suelo compactado) o estr\u00e9s ambiental (desequilibrio h\u00eddrico, da\u00f1o en las ra\u00edces o exposici\u00f3n a contaminantes), todos los cuales provocan el amarillamiento de las hojas. <\/p>\n\n\n\n
El m\u00e9todo m\u00e1s prevalente para mitigar el estr\u00e9s bi\u00f3tico en las vides implica la administraci\u00f3n de sustancias qu\u00edmicas<\/strong>. Si bien este m\u00e9todo ha demostrado ser extremadamente exitoso, tambi\u00e9n puede tener un impacto perjudicial en el medio ambiente y los ingresos econ\u00f3micos, ya que no siempre es una estrategia rentable. <\/p>\n\n\n\n
Se han desarrollado numerosas t\u00e9cnicas de agricultura de precisi\u00f3n en respuesta a los factores mencionados anteriormente en un esfuerzo por maximizar la producci\u00f3n agr\u00edcola mientras se disminuye el impacto de factores externos como las plagas y las enfermedades. Como resultado, la industria agr\u00edcola hace un uso extensivo de t\u00e9cnicas de detecci\u00f3n remota y proximal, as\u00ed como tecnolog\u00edas de big data, visi\u00f3n por computadora, robots, t\u00e9cnicas de aprendizaje profundo (DL) y aprendizaje autom\u00e1tico (ML) y computadoras de alto rendimiento. Estos m\u00e9todos tienen utilidad m\u00e1s all\u00e1 del diagn\u00f3stico de enfermedades de las plantas, abarcando la detecci\u00f3n de malezas, la evaluaci\u00f3n de la calidad del cultivo, la predicci\u00f3n del rendimiento, la identificaci\u00f3n de especies, el monitoreo del agua y el suelo, y la gesti\u00f3n del sistema de riego.<\/p>\n\n\n\n
<\/div>\n\n\n\n![\"\"](\"https:\/\/enolife.com.ar\/es\/wp-content\/uploads\/2024\/06\/Imagen1-22.jpg\")
<\/a>Enfermedades de la vid<\/em><\/strong><\/figcaption><\/figure><\/div>\n\n\n<\/div>\n\n\n\nLas herramientas inform\u00e1ticas del software AIGrapeCare<\/strong><\/p>\n\n\n\n
La exploraci\u00f3n de la arquitectura \u00f3ptima de aprendizaje profundo implic\u00f3 la combinaci\u00f3n de redes neuronales convolucionales (CNN)<\/strong>, redes neuronales recurrentes de memoria a corto y largo plazo (LSTM), redes neuronales profundas (DNN) y redes de transferencia de aprendizaje (incluidas VGG16, VGG19, ResNet50 y ResNet101V2)<\/strong>. Se emple\u00f3 una matriz de co-ocurrencia de niveles de gris (GLCM)<\/strong> para medir las caracter\u00edsticas texturales. <\/p>\n\n\n\n
La plataforma de detecci\u00f3n de enfermedades de plantas (PDD)<\/strong> cre\u00f3 un conjunto de datos de im\u00e1genes reales de hojas de vid de vi\u00f1edos para mejorar la identificaci\u00f3n de enfermedades de las plantas. <\/p>\n\n\n\n
Se aplic\u00f3 una t\u00e9cnica de aumento de datos para abordar el problema de im\u00e1genes limitadas.<\/p>\n\n\n\n
Posteriormente, el conjunto de datos aumentado se utiliz\u00f3 para entrenar los modelos y mejorar su capacidad para identificar y clasificar con precisi\u00f3n las enfermedades de las plantas en escenarios del mundo real. <\/p>\n\n\n\n
Los resultados analizados indicaron que la red profunda combinada CNNRGB-LSTMGLCM, basada en la red preentrenada VGG16 y el aumento de datos<\/strong>, super\u00f3 las caracter\u00edsticas de la red profunda separada y la versi\u00f3n no aumentada. Su precisi\u00f3n de validaci\u00f3n, precisi\u00f3n de clasificaci\u00f3n, recuperaci\u00f3n y medida F son todas del 96.6%, con una intersecci\u00f3n sobre uni\u00f3n del 93.4% y una p\u00e9rdida de 0.123. <\/p>\n\n\n\n
Adem\u00e1s, el software desarrollado a trav\u00e9s del enfoque propuesto tiene un gran potencial como una herramienta r\u00e1pida para diagnosticar enfermedades de la vid en menos de un minuto. El marco del estudio muestra potencial para una futura expansi\u00f3n para incluir varios tipos de \u00e1rboles. Esta capacidad puede ayudar a los agricultores en la detecci\u00f3n temprana de enfermedades de \u00e1rboles, lo que les permite implementar medidas preventivas.<\/p>\n\n\n\n
<\/div>\n\n\n\nAlgoritmos e im\u00e1genes digitales<\/strong><\/p>\n\n\n\n
El \u00e9xito de los algoritmos de clasificaci\u00f3n y las t\u00e9cnicas de im\u00e1genes digitales depende de varios factores, como el aprendizaje por transferencia, las caracter\u00edsticas de las entradas de entrenamiento, el aumento de datos y la combinaci\u00f3n de m\u00faltiples redes profundas entrenadas. <\/p>\n\n\n\n
Para resolver problemas de clasificaci\u00f3n con un conjunto de datos peque\u00f1o, los practicantes de ML pueden recurrir al aprendizaje por transferencia, una t\u00e9cnica que emplea redes previamente entrenadas, t\u00edpicamente aquellas con arquitecturas profundas. Usando esta estrategia, los pasos de preentrenamiento originales se conservan y se actualizan parcialmente a medida que se introducen nuevos datos en la red.<\/p>\n\n\n\n
El punto principal de este m\u00e9todo es aprovechar el aprendizaje previo de la red de aprendizaje profundo de modelos de entrenamiento<\/strong> para facilitar el entrenamiento de un nuevo problema de clasificaci\u00f3n relacionado que no utilice el mismo espacio de caracter\u00edsticas o distribuci\u00f3n. Varios estudios han confirmado que el uso del aprendizaje profundo, particularmente el aprendizaje por transferencia, clasifica eficazmente las enfermedades de las plantas, logrando una precisi\u00f3n de m\u00e1s del 80%. Este enfoque reduce el tiempo computacional y permite el entrenamiento de diversas clases con un n\u00famero sustancial de instancias, lo que lo hace particularmente adecuado para arquitecturas profundas.<\/p>\n\n\n\n
Una variedad de redes preentrenadas bien establecidas, como AlexNet, GoogleNet, ResNet y la familia VGG,<\/strong> est\u00e1n disponibles. Estos modelos DL exhiben variaciones en sus arquitecturas de capas. En el aprendizaje por transferencia, t\u00edpicamente solo se ajustan los par\u00e1metros de la capa final, mientras que el resto de la arquitectura extrae caracter\u00edsticas de las muestras de entrenamiento. Las caracter\u00edsticas de textura basadas en la matriz de co-ocurrencia de niveles de gris (GLCM) tambi\u00e9n son cruciales para identificar enfermedades en las vides.<\/p>\n\n\n\n
Jaisakthi et al.<\/strong> desarrollaron un sistema para detectar enfermedades de la vid, centr\u00e1ndose en la extracci\u00f3n de caracter\u00edsticas de textura como variaciones de color despu\u00e9s de la segmentaci\u00f3n, para clasificar enfermedades de manera efectiva utilizando algoritmos de m\u00e1quinas de vectores de soporte (SVM), adaboost<\/em> y bosque aleatorio (RF).<\/strong> Este m\u00e9todo, distinguido por su alta precisi\u00f3n en el diagn\u00f3stico de enfermedades como la pudrici\u00f3n y el tiz\u00f3n de las hojas, destaca su valor en la mejora de la gesti\u00f3n de enfermedades agr\u00edcolas. <\/p>\n\n\n\n
El aumento de datos, considerado durante la fase de entrenamiento en este trabajo, es un factor adicional que puede influir en el rendimiento del modelo de detecci\u00f3n. El aumento de datos mediante la aplicaci\u00f3n de una secuencia de transformaciones, como el espejo o la rotaci\u00f3n de una imagen, aumenta la utilidad y profundidad del conjunto de datos. Adem\u00e1s, la fusi\u00f3n de redes profundas se emple\u00f3 ampliamente para mejorar la calidad y durabilidad del modelo de detecci\u00f3n de enfermedades. Anteriormente, este enfoque se hab\u00eda utilizado para identificar fenotipos de plantas. Xiao et al.<\/strong> emplearon una red neuronal convolucional (CNN) con la arquitectura Resnet50<\/strong> para detectar con \u00e9xito diversas enfermedades de la fresa, incluido el moho gris, la corona.<\/p>\n\n\n\n
Tradicionalmente, los modelos de DL en agricultura se han basado en datos unimodales, particularmente im\u00e1genes de plantas. Sin embargo, las pr\u00e1cticas agr\u00edcolas avanzadas han llevado a una tendencia creciente de explotar datos multimodales, que combinan im\u00e1genes de plantas con caracter\u00edsticas adicionales como variables GLCM y caracter\u00edsticas pre-entrenadas.<\/strong> Este cambio tiene el potencial de mejorar la precisi\u00f3n y el rendimiento en la estimaci\u00f3n de fenotipos de plantas al incorporar diversas fuentes de datos. <\/p>\n\n\n\n
<\/div>\n\n\n\nLos objetivos de la investigaci\u00f3n<\/strong><\/p>\n\n\n\n
El estudio actual se distingue de otras investigaciones en el campo al explorar redes profundas innovadoras, junto con la creaci\u00f3n de software independiente dise\u00f1ado para un modelo de primer nivel. Por lo tanto, los objetivos principales de esta investigaci\u00f3n fueron: <\/p>\n\n\n\n
1) construir una red profunda h\u00edbrida<\/strong> bien organizada para detectar enfermedades en las vides utilizando caracter\u00edsticas de alto nivel extra\u00eddas de RGB y GLCM,
2) desarrollar una soluci\u00f3n de software independiente y f\u00e1cil de usar<\/strong> llamada AI GrapeCare<\/strong> para la evaluaci\u00f3n y an\u00e1lisis r\u00e1pido de im\u00e1genes digitales relacionadas con la propagaci\u00f3n de enfermedades de la vid,
3) explicar los componentes superiores de una red profunda<\/strong> para la detecci\u00f3n robusta de infecciones de vid,
4) examinar el comportamiento de las redes profundas<\/strong> en diferentes escenarios que involucran datos aumentados y no aumentados, y
5) comparar el rendimiento de varias redes profundas h\u00edbridas<\/strong> que combinan CNN y redes neuronales profundas (DNN) con memoria a corto y largo plazo (LSTM), as\u00ed como la aplicaci\u00f3n de caracter\u00edsticas pre-entrenadas como VGG16, VGG19, ResNet50 y ResNet101V2 durante el entrenamiento. Todos estos procedimientos tienen como objetivo seleccionar el mejor modelo que se pueda recomendar para la agricultura de precisi\u00f3n en el futuro.<\/p>\n\n\n\n
<\/div>\n\n\n\nMateriales y M\u00e9todos<\/strong><\/p>\n\n\n\n
Base de Datos de Im\u00e1genes<\/strong>. Para superar las limitaciones de la base de datos PlantVillage<\/strong><\/em> para aplicaciones en la vida real, se crearon conjuntos de datos de la plataforma de detecci\u00f3n de enfermedades (PDD) para respaldar la planta. Estos conjuntos de datos est\u00e1n accesibles en pdd.jinr.ru<\/strong>, consultados el 10 de diciembre de 2023. La base de datos PDD difiere de PlantVillage ya que abarca diversas condiciones, \u00e1ngulos y fondos. Este estudio utiliz\u00f3 un conjunto de datos de im\u00e1genes de PDD para descubrir enfermedades en las vides, incluyendo espec\u00edficamente im\u00e1genes de la vida real de hojas de vid afectadas por enfermedades. Estas im\u00e1genes fueron capturadas directamente de regiones de cultivo de uva. <\/p>\n\n\n\n
Como se ilustra en la Figura 1, la base de datos comprende un total de 295 im\u00e1genes, que se dividen en 5 categor\u00edas distintas de cultivos de uva. Estas clases consisten en 31 im\u00e1genes que representan el tiz\u00f3n negro, 49 con clorosis, 73 afectadas por esca, 121 muestras sanas y 22 que muestran el mildiu polvoriento.<\/strong> Todas las im\u00e1genes incluidas en la base de datos contienen informaci\u00f3n relevante sobre tanto los cultivos como las enfermedades presentes en ellos, con un tama\u00f1o estandarizado de 256\u00d7256 p\u00edxeles. Adem\u00e1s, recopila im\u00e1genes de diversos s\u00edntomas de cada enfermedad, lo que nos permite diferenciar enfermedades incluso cuando sus s\u00edntomas parecen similares.<\/p>\n\n\n\n
T\u00e9cnicas de Preprocesamiento de Im\u00e1genes<\/strong>. Para garantizar un entrenamiento efectivo del modelo y minimizar cualquier defecto que pueda surgir durante el proceso de imagen, es necesario realizar preprocesamiento de im\u00e1genes RGB antes de proceder con el an\u00e1lisis de datos. La fase de preprocesamiento implica varias etapas, incluida la segmentaci\u00f3n para eliminar cualquier elemento de fondo, el aumento de datos para aumentar el tama\u00f1o del conjunto de datos de entrenamiento y la transformaci\u00f3n de caracter\u00edsticas para normalizar y estandarizar las caracter\u00edsticas de las im\u00e1genes. <\/p>\n\n\n\n
Primero, la separaci\u00f3n del fondo es esencial para aislar la planta de vid y eliminar cualquier elemento ajeno de las im\u00e1genes. Se utiliz\u00f3 un proceso de segmentaci\u00f3n llamado t\u00e9cnica de umbral, que implica convertir la imagen a escala de grises y producir una imagen binaria. <\/p>\n\n\n\n
La imagen tiene dos posibles valores de p\u00edxel: un valor igual a 1, que representa los p\u00edxeles de la vid, y un valor igual a 0, que significa p\u00edxeles no relacionados con la vid que pueden ser excluidos. La imagen es binaria, con cada p\u00edxel representado por un solo bit. Una vez separados los p\u00edxeles de la vid del fondo, se obtuvo un conjunto de caracter\u00edsticas de color potenciales para un an\u00e1lisis adicional. <\/p>\n\n\n\n
Segundo, el aumento de datos es un paso crucial para mejorar el proceso de aprendizaje de una red profunda y para permitirle identificar objetos en im\u00e1genes capturadas en diversas condiciones del mundo real. En este trabajo, se realizaron varias t\u00e9cnicas de aumento para aumentar la confianza en el proceso de categorizaci\u00f3n. Estas incluyeron el uso de la imagen original, aplicar un rango de zoom de 0.3, rotar la imagen hasta 90 grados, voltearla horizontalmente y desplazar su ancho en un rango de 0.1 y su altura en un rango de 0.2. <\/p>\n\n\n\n
Tercero, para abordar las variaciones en las magnitudes de las caracter\u00edsticas, se aplica normalizaci\u00f3n a cada caracter\u00edstica individualmente. El c\u00e1lculo de normalizaci\u00f3n se deriva dividiendo el rango entre los valores m\u00e1ximos y m\u00ednimos de las caracter\u00edsticas por el valor m\u00ednimo de datos de imagen.<\/p>\n\n\n\n
Caracter\u00edsticas de Textura Derivadas de la Matriz de Co-ocurrencia de Niveles de Gris<\/strong>. El uso de la matriz de co-ocurrencia de niveles de gris (GLCM) para detectar y diagnosticar enfermedades de plantas ha sido ampliamente estudiado en varios trabajos de investigaci\u00f3n. Yogeshwari y Thailambal emplearon una GLCM como m\u00e9todo de extracci\u00f3n de caracter\u00edsticas en su marco para detectar enfermedades de hojas de plantas, capturando exitosamente detalles de textura de las im\u00e1genes. Sari et al. emplearon caracter\u00edsticas de textura y un modelo SVM para la clasificaci\u00f3n de enfermedades de hojas de chile. <\/p>\n\n\n\n
La matriz de co-ocurrencia es una t\u00e9cnica estad\u00edstica empleada para el an\u00e1lisis de textura en una imagen en escala de grises. Al examinar la correlaci\u00f3n en escala de grises entre dos p\u00edxeles en el espacio de imagen separados por una distancia espec\u00edfica, la GLCM extrae las caracter\u00edsticas de textura del dosel a trav\u00e9s de caracter\u00edsticas de probabilidad de manera aleatoria.<\/p>\n\n\n\n
Este estudio involucr\u00f3 seis versiones diferentes de la GLCM, a saber, contraste, disimilitud, homogeneidad, momento angular segundo (ASM), energ\u00eda y correlaci\u00f3n, como t\u00e9cnicas de extracci\u00f3n de caracter\u00edsticas. La profundidad y textura de una imagen se indican por su contraste, mientras que la disimilitud calcula la separaci\u00f3n entre pares de p\u00edxeles dentro de un \u00e1rea especificada. La homogeneidad eval\u00faa qu\u00e9 tan cercana es la distribuci\u00f3n de elementos en la GLCM, mientras que ASM detecta la rugosidad de la distribuci\u00f3n y textura de la imagen. <\/p>\n\n\n\n
La energ\u00eda es una medida de la uniformidad de la textura, y la correlaci\u00f3n determina el grado de correlaci\u00f3n presente en la imagen en escala de grises local. <\/p>\n\n\n\n
Como se muestra en la Figura 2, este trabajo utiliza la metodolog\u00eda de GLCM para extraer informaci\u00f3n de textura de hojas de vid segmentadas. El algoritmo de GLCM calcula caracter\u00edsticas de textura para cada regi\u00f3n de p\u00edxeles que desempe\u00f1a un papel crucial en los an\u00e1lisis posteriores. Las siguientes f\u00f3rmulas, seg\u00fan lo descrito en Hall-Beyer, proporcionan una explicaci\u00f3n detallada de las variables espec\u00edficas derivadas del enfoque de GLCM basado en RGB.<\/p>\n\n\n\n
<\/div>\n\n\n\n![\"\"](\"https:\/\/enolife.com.ar\/es\/wp-content\/uploads\/2024\/06\/Imagen1-7.jpg\")
<\/a>donde Pi,jP_{i,j}Pi,j\u200b representa las probabilidades calculadas para los valores donde iii y jjj sirven como \u00edndices de fila y columna, respectivamente. Los valores medios para los \u00edndices iii y jjj se indican como \u03bci\\mu_i\u03bci\u200b y \u03bcj\\mu_j\u03bcj\u200b, respectivamente. La desviaci\u00f3n est\u00e1ndar para los valores en referencia a los \u00edndices iii y jjj se dan por \u03c3i\\sigma_i\u03c3i\u200b y \u03c3j\\sigma_j\u03c3j\u200b, respectivamente. NNN significa el n\u00famero total de filas o columnas.<\/strong><\/em><\/figcaption><\/figure><\/div>\n\n\n<\/div>\n\n\n\n![\"\"](\"https:\/\/enolife.com.ar\/es\/wp-content\/uploads\/2024\/06\/image-28-1024x615.png\")
<\/a>Figura 2. An\u00e1lisis de caracter\u00edsticas de textura basadas en GLCM de hojas de uva sanas segmentadas: (a) contraste, (b) disimilitud, (c) homogeneidad, (d) ASM, (e) energ\u00eda y (f) correlaci\u00f3n.<\/em><\/strong><\/figcaption><\/figure><\/div>\n\n\n<\/div>\n\n\n\nResumen del enfoque sugerido<\/strong><\/p>\n\n\n\n
M\u00faltiples redes profundas, que incluyen arquitecturas CNN, DNN, CNN-LSTM y DNN-LSTM, fueron sometidas a entrenamiento utilizando una amplia gama de datos multimodales, que incluyeron variables GLCM, caracter\u00edsticas pre-entrenadas y datos de imagen. Las caracter\u00edsticas pre-entrenadas fueron obtenidas de VGG16, VGG19, ResNet50 y ResNet101V2. <\/p>\n\n\n\n
Generalmente, CNN y DNN fueron entrenadas utilizando datos de imagen, mientras que LSTM utiliz\u00f3 factores GLCM para la identificaci\u00f3n de enfermedades en cultivos de vid, por ejemplo, tiz\u00f3n negro, clorosis, esca, mildiu polvoriento y saludable. <\/p>\n\n\n\n
Los pasos secuenciales del marco propuesto se muestran en la Figura 3: (a) realizar tareas de preprocesamiento de im\u00e1genes como normalizaci\u00f3n, segmentaci\u00f3n y aumento; (b) convertir las im\u00e1genes a escala de grises para extraer caracter\u00edsticas GLCM; (c) dividir el conjunto de datos y entrenar redes neuronales profundas; (d) entrenar los modelos bajo diferentes escenarios, incluyendo CNN, DNN, CNN-LSTM y DNN-LSTM; (e) incorporar caracter\u00edsticas pre-entrenadas extra\u00eddas de VGG16, VGG19, ResNet50 y ResNet101V2 durante el proceso de entrenamiento; (f) optimizar los hiperpar\u00e1metros para seleccionar la mejor configuraci\u00f3n durante el entrenamiento; (g) analizar el rendimiento del modelo en nuevas muestras; (h) evaluar el rendimiento general del modelo de clasificaci\u00f3n; (i) guardar el modelo avanzado para uso futuro; y (j) cargar el modelo de red avanzado para apoyar a los gestores de enfermedades de la vid en la toma de decisiones efectivas.<\/p>\n\n\n\n
<\/div>\n\n\n\n![\"\"](\"https:\/\/enolife.com.ar\/es\/wp-content\/uploads\/2024\/06\/image-29-1024x771.png\")
<\/a>Figura 3. Esquema de la metodolog\u00eda utilizada en el presente estudio.<\/em><\/strong><\/figcaption><\/figure><\/div>\n\n\n<\/div>\n\n\n\nAI GrapeCare, un software para el an\u00e1lisis de la salud de la uva<\/strong><\/p>\n\n\n\n
Como se muestra en la Figura 10, la interfaz del software es f\u00e1cil de usar y no requiere habilidades de programaci\u00f3n. El software es capaz de cargar y analizar im\u00e1genes digitales con varias extensiones, como PNG, JPG, JPEG y TIFF. Adem\u00e1s, admite la carga de un modelo h\u00edbrido profundo superior llamado CNNimg-LSTMGLCM-VGG16. El software incluye procedimientos de preprocesamiento de im\u00e1genes, como la segmentaci\u00f3n de im\u00e1genes y la compresi\u00f3n. <\/p>\n\n\n\n
Durante la segmentaci\u00f3n de im\u00e1genes, el software AI GrapeCare<\/strong> puede ayudar a los usuarios a seleccionar los par\u00e1metros \u00f3ptimos mostrando visualizaciones de las im\u00e1genes segmentadas que genera. Las caracter\u00edsticas \u00fatiles (caracter\u00edsticas texturales) pueden extraerse y mostrarse en una GUI basada en tablas, listas para ser utilizadas como entradas para que el modelo eval\u00fae el estado del crecimiento de la vid. El tiempo de diagn\u00f3stico del software AI GrapeCare para evaluar las condiciones de salud de las uvas suele ser de solo unos segundos y nunca supera 1 minuto. El rendimiento del modelo del software se registr\u00f3 en un 96.6%, con una p\u00e9rdida de 0.123.<\/p>\n\n\n\n
<\/div>\n\n\n\n![\"\"](\"https:\/\/enolife.com.ar\/es\/wp-content\/uploads\/2024\/06\/image-36-1024x985.png\")
<\/a>Figura 10. Resultados del software AI GrapeCare durante la prueba de una muestra de vid.<\/em><\/strong><\/figcaption><\/figure><\/div>\n\n\n<\/div>\n\n\n\nEste estudio presenta un enfoque h\u00edbrido novedoso impulsado por una interfaz gr\u00e1fica de usuario (GUI) para el monitoreo en tiempo real de la salud de las vides utilizando t\u00e9cnicas de teledetecci\u00f3n basadas en RGB. Su practicidad y rentabilidad lo convierten en una soluci\u00f3n valiosa para la detecci\u00f3n de enfermedades en las plantas. Se emplean t\u00e9cnicas de modelado innovadoras para identificar con precisi\u00f3n el estado de salud de las plantas a trav\u00e9s del an\u00e1lisis de im\u00e1genes. <\/p>\n\n\n\n
El modelo avanzado desarrollado demuestra un rendimiento excepcional en la clasificaci\u00f3n de enfermedades y la reducci\u00f3n de p\u00e9rdidas, lo que indica su efectividad. La integraci\u00f3n de sistemas basados en UAV, que utilizan teledetecci\u00f3n de alta resoluci\u00f3n espacial, puede mejorar el monitoreo de \u00e1reas agr\u00edcolas a gran escala y mejorar significativamente la gesti\u00f3n de enfermedades. Adem\u00e1s, la implementaci\u00f3n de sistemas de transmisi\u00f3n de datos RGB basados en IoT permite un enfoque no destructivo y eficiente para monitorear la salud de las vides y diagnosticar enfermedades. <\/p>\n\n\n\n
Esta tecnolog\u00eda facilita la recopilaci\u00f3n oportuna de datos, minimiza la interrupci\u00f3n de las plantas y acelera el procesamiento de datos de teledetecci\u00f3n, lo que conduce a una toma de decisiones m\u00e1s r\u00e1pida y fundamentada en la agricultura de precisi\u00f3n. Las valiosas ideas de este estudio contribuyen a los esfuerzos continuos para implementar pr\u00e1cticas agr\u00edcolas efectivas. Al aprovechar los avances en im\u00e1genes digitales y aprendizaje profundo, esta investigaci\u00f3n contribuye al desarrollo de soluciones automatizadas que mejoran la detecci\u00f3n de enfermedades y aumentan la eficiencia en la gesti\u00f3n agr\u00edcola.<\/p>\n\n\n\n
Finalmente, aunque esta investigaci\u00f3n puede detectar la clorosis en las vides, es importante tener en cuenta que la clorosis puede resultar de varios factores, como se menciona en la literatura. Por lo tanto, los estudios futuros deber\u00edan centrarse en desarrollar un modelo capaz de reconocer eficazmente la clorosis y comprender sus causas subyacentes como s\u00edntoma. Esto es crucial debido a la naturaleza multifac\u00e9tica de la manifestaci\u00f3n, lo que plantea desaf\u00edos significativos en la identificaci\u00f3n precisa. Al concentrarse en este aspecto, los investigadores pueden abordar mejor las complejidades involucradas en la especificaci\u00f3n de la clorosis. <\/p>\n\n\n\n
Adem\u00e1s, nuestra metodolog\u00eda desarrollada es competente para clasificar con precisi\u00f3n enfermedades individuales en las hojas. Sin embargo, hay una necesidad imperativa de avanzar en t\u00e9cnicas de diagn\u00f3stico que puedan distinguir y descubrir simult\u00e1neamente varios pat\u00f3genos que exhiben s\u00edntomas similares en la misma hoja. La implementaci\u00f3n de algoritmos de detecci\u00f3n de objetos con dos o m\u00e1s clases puede ser instrumental en estas mejoras en el examen, proporcionando una comprensi\u00f3n en capas y comprensiva de la patolog\u00eda de la vid.<\/p>\n\n\n\n
<\/div>\n\n\n\nConclusiones<\/strong><\/p>\n\n\n\n
La vid, un cultivo de frutas de importancia global, a menudo se ve afectada por cuatro enfermedades prevalentes: esca, clorosis, mildiu polvoriento y podredumbre negra. El diagn\u00f3stico oportuno y preciso juega un papel fundamental en contener la propagaci\u00f3n de enfermedades y minimizar las p\u00e9rdidas de producci\u00f3n en la vid. El progreso en el aprendizaje profundo ha abierto el camino para algoritmos de diagn\u00f3stico innovadores en el campo de la identificaci\u00f3n de enfermedades de las plantas, desbloqueando nuevas posibilidades y v\u00edas para una detecci\u00f3n precisa y eficiente. <\/p>\n\n\n\n
Este documento presenta un enfoque h\u00edbrido innovador, utilizando un software independiente llamado AI Grapecare, para procesar y analizar im\u00e1genes RGB para identificar enfermedades de la vid. El marco propuesto integra varios redes de aprendizaje profundo, incluyendo una red neuronal convolucional (CNN), una memoria a largo plazo a corto plazo (LSTM) y una red neuronal profunda (DNN). Tambi\u00e9n emplea caracter\u00edsticas multimodales como VGG16, VGG19, ResNet50 y ResNet101V2, junto con caracter\u00edsticas texturales basadas en la matriz de co-ocurrencia de niveles de gris (GLCM). <\/p>\n\n\n\n
Los modelos h\u00edbridos, como CNNimg-VGG16, CNNimg-LSTMGLCM-VGG16, DNNimg-VGG16 y DNNimg-LSTMGLCM-VGG16, se entrenaron con el 80% de los datos, mientras que el 20% restante se reserv\u00f3 para la evaluaci\u00f3n. Esta metodolog\u00eda permiti\u00f3 una evaluaci\u00f3n exhaustiva del rendimiento, lo que permiti\u00f3 la selecci\u00f3n del modelo m\u00e1s efectivo. Bas\u00e1ndose en los resultados experimentales, la red h\u00edbrida de CNNimg-LSTMGLCM-VGG16 exhibi\u00f3 una capacidad predictiva notable como extractor de caracter\u00edsticas y clasificador para el diagn\u00f3stico de enfermedades de la vid. Al incorporar sus caracter\u00edsticas extra\u00eddas, el sistema propuesto logr\u00f3 un rendimiento de clasificaci\u00f3n impresionante, con precisi\u00f3n, recall y F-measure alcanzando el 96.6% y una intersecci\u00f3n sobre la uni\u00f3n del 93.4%. La precisi\u00f3n de validaci\u00f3n del sistema fue del 96.6% con una p\u00e9rdida de 0.123. <\/p>\n\n\n\n
El enfoque propuesto basado en AI GrapeCare demostr\u00f3 la superioridad de la arquitectura del modelo elegido, destacando su eficacia en la clasificaci\u00f3n de hojas de enfermedades de la vid con un tiempo de procesamiento y una participaci\u00f3n laboral m\u00ednimos. Se espera que AI GrapeCare mejore la eficiencia de la fenotipificaci\u00f3n en la agricultura de precisi\u00f3n mediante el an\u00e1lisis de la din\u00e1mica de salud de las frutas, lo que lleva a un cultivo consistente de cultivos de alta calidad.<\/p>\n\n\n\n
<\/div>\n\n\n\nFuente: Art\u00edculo \u201cRapid Grapevine Health Diagnosis Based on Digital Imaging and Deep Learning\u201d, publicado originalmente en la revista Plants en enero de 2024 (doi: 10.3390\/plants13010135)<\/strong><\/em><\/p>\n\n\n\n
<\/div>\n","protected":false},"excerpt":{"rendered":"En la agricultura de precisi\u00f3n, que utiliza los \u00faltimos recursos tecnol\u00f3gicos disponibles y la internet…<\/p>\n","protected":false},"author":3,"featured_media":117630,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[5],"tags":[],"_links":{"self":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts\/117455"}],"collection":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/comments?post=117455"}],"version-history":[{"count":79,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts\/117455\/revisions"}],"predecessor-version":[{"id":118330,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts\/117455\/revisions\/118330"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/media\/117630"}],"wp:attachment":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/media?parent=117455"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/categories?post=117455"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/tags?post=117455"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
<\/a><\/div>\n\n\n<\/a><\/figure><\/div>\n\n\nPor Osama Elsherbiny<\/strong> (de la Escuela de Ingenier\u00eda Agr\u00edcola, Universidad de Jiangsu, Zhenjiang, China y del Departamento de Ingenier\u00eda Agr\u00edcola, Facultad de Agricultura, Universidad de Mansoura, Mansoura, Egipto); Ahmed Elaraby<\/strong> (del Departamento de Ciberseguridad, Facultad de Ingenier\u00eda y Tecnolog\u00eda de la Informaci\u00f3n, Buraydah Private Colleges, Buraydah, Arabia Saudita, y del Departamento de Ciencias de la Computaci\u00f3n, Facultad de Computaci\u00f3n e Informaci\u00f3n, Universidad del Valle Sur, Qena, Egipto); Mohammad Alahmadi<\/strong> (del Departamento de Ingenier\u00eda de Software, Facultad de Ciencias Inform\u00e1ticas e Ingenier\u00eda, Universidad de Yeddah, Arabia Saudita); Mosab Hamdan<\/strong> (del Centro de investigaci\u00f3n interdisciplinario para sistemas inteligentes y seguros, Universidad Rey Fahd de Petr\u00f3leo y Minerales, Dhahran, Arabia Saudita) y Jianminn Gao<\/strong> (de la Escuela de Ingenier\u00eda Agr\u00edcola, Universidad de Jiangsu, Zhenjiang China)<\/em><\/p>\n\n\n\n
Las uvas<\/strong> son un cultivo de importancia global, con un impacto econ\u00f3mico significativo. La existencia de enfermedades en las vides<\/strong> representa una grave amenaza para la seguridad alimentaria mundial, ya que contribuyen significativamente a las p\u00e9rdidas de cultivos que oscilan entre el 10 y el 30%. Las vides son altamente susceptibles a una amplia variedad de enfermedades f\u00fangicas que pueden reducir los rendimientos. Estas incluyen la mancha foliar<\/strong> (Isariopsis griseola), el moho gris<\/strong> (Botrytis cinerea), el mildiu<\/strong> (Plasmopara viticola), el mildiu polvoriento negro<\/strong> (Guignardia bidwellii). Todas estas enfermedades tienen un efecto adverso en las hojas de las plantas o en el propio cultivo, lo que puede provocar una p\u00e9rdida moderada a extrema en la producci\u00f3n de uno o ambos. <\/p>\n\n\n\n
La salud de las vides puede verse afectada por una variedad de factores, siendo el estr\u00e9s inducido tanto por elementos bi\u00f3ticos como abi\u00f3ticos. El estr\u00e9s bi\u00f3tico<\/strong> surge de pat\u00f3genos vivos como hongos, virus y bacterias, que son los agentes pat\u00f3genos m\u00e1s prevalentes. En contraste, el estr\u00e9s abi\u00f3tico<\/strong> est\u00e1 vinculado a factores no vivos como el clima y las condiciones del suelo. Por ejemplo, la clorosis suele ser un s\u00edntoma fisiol\u00f3gico, no una enfermedad en s\u00ed misma. Es causada por factores como deficiencias de nutrientes (hierro, nitr\u00f3geno, magnesio o zinc), malas condiciones del suelo (drenaje inadecuado, pH alto o suelo compactado) o estr\u00e9s ambiental (desequilibrio h\u00eddrico, da\u00f1o en las ra\u00edces o exposici\u00f3n a contaminantes), todos los cuales provocan el amarillamiento de las hojas. <\/p>\n\n\n\n
El m\u00e9todo m\u00e1s prevalente para mitigar el estr\u00e9s bi\u00f3tico en las vides implica la administraci\u00f3n de sustancias qu\u00edmicas<\/strong>. Si bien este m\u00e9todo ha demostrado ser extremadamente exitoso, tambi\u00e9n puede tener un impacto perjudicial en el medio ambiente y los ingresos econ\u00f3micos, ya que no siempre es una estrategia rentable. <\/p>\n\n\n\n
Se han desarrollado numerosas t\u00e9cnicas de agricultura de precisi\u00f3n en respuesta a los factores mencionados anteriormente en un esfuerzo por maximizar la producci\u00f3n agr\u00edcola mientras se disminuye el impacto de factores externos como las plagas y las enfermedades. Como resultado, la industria agr\u00edcola hace un uso extensivo de t\u00e9cnicas de detecci\u00f3n remota y proximal, as\u00ed como tecnolog\u00edas de big data, visi\u00f3n por computadora, robots, t\u00e9cnicas de aprendizaje profundo (DL) y aprendizaje autom\u00e1tico (ML) y computadoras de alto rendimiento. Estos m\u00e9todos tienen utilidad m\u00e1s all\u00e1 del diagn\u00f3stico de enfermedades de las plantas, abarcando la detecci\u00f3n de malezas, la evaluaci\u00f3n de la calidad del cultivo, la predicci\u00f3n del rendimiento, la identificaci\u00f3n de especies, el monitoreo del agua y el suelo, y la gesti\u00f3n del sistema de riego.<\/p>\n\n\n\n
<\/a>Las herramientas inform\u00e1ticas del software AIGrapeCare<\/strong><\/p>\n\n\n\n
La exploraci\u00f3n de la arquitectura \u00f3ptima de aprendizaje profundo implic\u00f3 la combinaci\u00f3n de redes neuronales convolucionales (CNN)<\/strong>, redes neuronales recurrentes de memoria a corto y largo plazo (LSTM), redes neuronales profundas (DNN) y redes de transferencia de aprendizaje (incluidas VGG16, VGG19, ResNet50 y ResNet101V2)<\/strong>. Se emple\u00f3 una matriz de co-ocurrencia de niveles de gris (GLCM)<\/strong> para medir las caracter\u00edsticas texturales. <\/p>\n\n\n\n
La plataforma de detecci\u00f3n de enfermedades de plantas (PDD)<\/strong> cre\u00f3 un conjunto de datos de im\u00e1genes reales de hojas de vid de vi\u00f1edos para mejorar la identificaci\u00f3n de enfermedades de las plantas. <\/p>\n\n\n\n
Se aplic\u00f3 una t\u00e9cnica de aumento de datos para abordar el problema de im\u00e1genes limitadas.<\/p>\n\n\n\n
Posteriormente, el conjunto de datos aumentado se utiliz\u00f3 para entrenar los modelos y mejorar su capacidad para identificar y clasificar con precisi\u00f3n las enfermedades de las plantas en escenarios del mundo real. <\/p>\n\n\n\n
Los resultados analizados indicaron que la red profunda combinada CNNRGB-LSTMGLCM, basada en la red preentrenada VGG16 y el aumento de datos<\/strong>, super\u00f3 las caracter\u00edsticas de la red profunda separada y la versi\u00f3n no aumentada. Su precisi\u00f3n de validaci\u00f3n, precisi\u00f3n de clasificaci\u00f3n, recuperaci\u00f3n y medida F son todas del 96.6%, con una intersecci\u00f3n sobre uni\u00f3n del 93.4% y una p\u00e9rdida de 0.123. <\/p>\n\n\n\n
Adem\u00e1s, el software desarrollado a trav\u00e9s del enfoque propuesto tiene un gran potencial como una herramienta r\u00e1pida para diagnosticar enfermedades de la vid en menos de un minuto. El marco del estudio muestra potencial para una futura expansi\u00f3n para incluir varios tipos de \u00e1rboles. Esta capacidad puede ayudar a los agricultores en la detecci\u00f3n temprana de enfermedades de \u00e1rboles, lo que les permite implementar medidas preventivas.<\/p>\n\n\n\n
Algoritmos e im\u00e1genes digitales<\/strong><\/p>\n\n\n\n
El \u00e9xito de los algoritmos de clasificaci\u00f3n y las t\u00e9cnicas de im\u00e1genes digitales depende de varios factores, como el aprendizaje por transferencia, las caracter\u00edsticas de las entradas de entrenamiento, el aumento de datos y la combinaci\u00f3n de m\u00faltiples redes profundas entrenadas. <\/p>\n\n\n\n
Para resolver problemas de clasificaci\u00f3n con un conjunto de datos peque\u00f1o, los practicantes de ML pueden recurrir al aprendizaje por transferencia, una t\u00e9cnica que emplea redes previamente entrenadas, t\u00edpicamente aquellas con arquitecturas profundas. Usando esta estrategia, los pasos de preentrenamiento originales se conservan y se actualizan parcialmente a medida que se introducen nuevos datos en la red.<\/p>\n\n\n\n
El punto principal de este m\u00e9todo es aprovechar el aprendizaje previo de la red de aprendizaje profundo de modelos de entrenamiento<\/strong> para facilitar el entrenamiento de un nuevo problema de clasificaci\u00f3n relacionado que no utilice el mismo espacio de caracter\u00edsticas o distribuci\u00f3n. Varios estudios han confirmado que el uso del aprendizaje profundo, particularmente el aprendizaje por transferencia, clasifica eficazmente las enfermedades de las plantas, logrando una precisi\u00f3n de m\u00e1s del 80%. Este enfoque reduce el tiempo computacional y permite el entrenamiento de diversas clases con un n\u00famero sustancial de instancias, lo que lo hace particularmente adecuado para arquitecturas profundas.<\/p>\n\n\n\n
Una variedad de redes preentrenadas bien establecidas, como AlexNet, GoogleNet, ResNet y la familia VGG,<\/strong> est\u00e1n disponibles. Estos modelos DL exhiben variaciones en sus arquitecturas de capas. En el aprendizaje por transferencia, t\u00edpicamente solo se ajustan los par\u00e1metros de la capa final, mientras que el resto de la arquitectura extrae caracter\u00edsticas de las muestras de entrenamiento. Las caracter\u00edsticas de textura basadas en la matriz de co-ocurrencia de niveles de gris (GLCM) tambi\u00e9n son cruciales para identificar enfermedades en las vides.<\/p>\n\n\n\n
Jaisakthi et al.<\/strong> desarrollaron un sistema para detectar enfermedades de la vid, centr\u00e1ndose en la extracci\u00f3n de caracter\u00edsticas de textura como variaciones de color despu\u00e9s de la segmentaci\u00f3n, para clasificar enfermedades de manera efectiva utilizando algoritmos de m\u00e1quinas de vectores de soporte (SVM), adaboost<\/em> y bosque aleatorio (RF).<\/strong> Este m\u00e9todo, distinguido por su alta precisi\u00f3n en el diagn\u00f3stico de enfermedades como la pudrici\u00f3n y el tiz\u00f3n de las hojas, destaca su valor en la mejora de la gesti\u00f3n de enfermedades agr\u00edcolas. <\/p>\n\n\n\n
El aumento de datos, considerado durante la fase de entrenamiento en este trabajo, es un factor adicional que puede influir en el rendimiento del modelo de detecci\u00f3n. El aumento de datos mediante la aplicaci\u00f3n de una secuencia de transformaciones, como el espejo o la rotaci\u00f3n de una imagen, aumenta la utilidad y profundidad del conjunto de datos. Adem\u00e1s, la fusi\u00f3n de redes profundas se emple\u00f3 ampliamente para mejorar la calidad y durabilidad del modelo de detecci\u00f3n de enfermedades. Anteriormente, este enfoque se hab\u00eda utilizado para identificar fenotipos de plantas. Xiao et al.<\/strong> emplearon una red neuronal convolucional (CNN) con la arquitectura Resnet50<\/strong> para detectar con \u00e9xito diversas enfermedades de la fresa, incluido el moho gris, la corona.<\/p>\n\n\n\n
Tradicionalmente, los modelos de DL en agricultura se han basado en datos unimodales, particularmente im\u00e1genes de plantas. Sin embargo, las pr\u00e1cticas agr\u00edcolas avanzadas han llevado a una tendencia creciente de explotar datos multimodales, que combinan im\u00e1genes de plantas con caracter\u00edsticas adicionales como variables GLCM y caracter\u00edsticas pre-entrenadas.<\/strong> Este cambio tiene el potencial de mejorar la precisi\u00f3n y el rendimiento en la estimaci\u00f3n de fenotipos de plantas al incorporar diversas fuentes de datos. <\/p>\n\n\n\n
Los objetivos de la investigaci\u00f3n<\/strong><\/p>\n\n\n\n
El estudio actual se distingue de otras investigaciones en el campo al explorar redes profundas innovadoras, junto con la creaci\u00f3n de software independiente dise\u00f1ado para un modelo de primer nivel. Por lo tanto, los objetivos principales de esta investigaci\u00f3n fueron: <\/p>\n\n\n\n
1) construir una red profunda h\u00edbrida<\/strong> bien organizada para detectar enfermedades en las vides utilizando caracter\u00edsticas de alto nivel extra\u00eddas de RGB y GLCM,
2) desarrollar una soluci\u00f3n de software independiente y f\u00e1cil de usar<\/strong> llamada AI GrapeCare<\/strong> para la evaluaci\u00f3n y an\u00e1lisis r\u00e1pido de im\u00e1genes digitales relacionadas con la propagaci\u00f3n de enfermedades de la vid,
3) explicar los componentes superiores de una red profunda<\/strong> para la detecci\u00f3n robusta de infecciones de vid,
4) examinar el comportamiento de las redes profundas<\/strong> en diferentes escenarios que involucran datos aumentados y no aumentados, y
5) comparar el rendimiento de varias redes profundas h\u00edbridas<\/strong> que combinan CNN y redes neuronales profundas (DNN) con memoria a corto y largo plazo (LSTM), as\u00ed como la aplicaci\u00f3n de caracter\u00edsticas pre-entrenadas como VGG16, VGG19, ResNet50 y ResNet101V2 durante el entrenamiento. Todos estos procedimientos tienen como objetivo seleccionar el mejor modelo que se pueda recomendar para la agricultura de precisi\u00f3n en el futuro.<\/p>\n\n\n\n
Materiales y M\u00e9todos<\/strong><\/p>\n\n\n\n
Base de Datos de Im\u00e1genes<\/strong>. Para superar las limitaciones de la base de datos PlantVillage<\/strong><\/em> para aplicaciones en la vida real, se crearon conjuntos de datos de la plataforma de detecci\u00f3n de enfermedades (PDD) para respaldar la planta. Estos conjuntos de datos est\u00e1n accesibles en pdd.jinr.ru<\/strong>, consultados el 10 de diciembre de 2023. La base de datos PDD difiere de PlantVillage ya que abarca diversas condiciones, \u00e1ngulos y fondos. Este estudio utiliz\u00f3 un conjunto de datos de im\u00e1genes de PDD para descubrir enfermedades en las vides, incluyendo espec\u00edficamente im\u00e1genes de la vida real de hojas de vid afectadas por enfermedades. Estas im\u00e1genes fueron capturadas directamente de regiones de cultivo de uva. <\/p>\n\n\n\n
Como se ilustra en la Figura 1, la base de datos comprende un total de 295 im\u00e1genes, que se dividen en 5 categor\u00edas distintas de cultivos de uva. Estas clases consisten en 31 im\u00e1genes que representan el tiz\u00f3n negro, 49 con clorosis, 73 afectadas por esca, 121 muestras sanas y 22 que muestran el mildiu polvoriento.<\/strong> Todas las im\u00e1genes incluidas en la base de datos contienen informaci\u00f3n relevante sobre tanto los cultivos como las enfermedades presentes en ellos, con un tama\u00f1o estandarizado de 256\u00d7256 p\u00edxeles. Adem\u00e1s, recopila im\u00e1genes de diversos s\u00edntomas de cada enfermedad, lo que nos permite diferenciar enfermedades incluso cuando sus s\u00edntomas parecen similares.<\/p>\n\n\n\n
T\u00e9cnicas de Preprocesamiento de Im\u00e1genes<\/strong>. Para garantizar un entrenamiento efectivo del modelo y minimizar cualquier defecto que pueda surgir durante el proceso de imagen, es necesario realizar preprocesamiento de im\u00e1genes RGB antes de proceder con el an\u00e1lisis de datos. La fase de preprocesamiento implica varias etapas, incluida la segmentaci\u00f3n para eliminar cualquier elemento de fondo, el aumento de datos para aumentar el tama\u00f1o del conjunto de datos de entrenamiento y la transformaci\u00f3n de caracter\u00edsticas para normalizar y estandarizar las caracter\u00edsticas de las im\u00e1genes. <\/p>\n\n\n\n
Primero, la separaci\u00f3n del fondo es esencial para aislar la planta de vid y eliminar cualquier elemento ajeno de las im\u00e1genes. Se utiliz\u00f3 un proceso de segmentaci\u00f3n llamado t\u00e9cnica de umbral, que implica convertir la imagen a escala de grises y producir una imagen binaria. <\/p>\n\n\n\n
La imagen tiene dos posibles valores de p\u00edxel: un valor igual a 1, que representa los p\u00edxeles de la vid, y un valor igual a 0, que significa p\u00edxeles no relacionados con la vid que pueden ser excluidos. La imagen es binaria, con cada p\u00edxel representado por un solo bit. Una vez separados los p\u00edxeles de la vid del fondo, se obtuvo un conjunto de caracter\u00edsticas de color potenciales para un an\u00e1lisis adicional. <\/p>\n\n\n\n
Segundo, el aumento de datos es un paso crucial para mejorar el proceso de aprendizaje de una red profunda y para permitirle identificar objetos en im\u00e1genes capturadas en diversas condiciones del mundo real. En este trabajo, se realizaron varias t\u00e9cnicas de aumento para aumentar la confianza en el proceso de categorizaci\u00f3n. Estas incluyeron el uso de la imagen original, aplicar un rango de zoom de 0.3, rotar la imagen hasta 90 grados, voltearla horizontalmente y desplazar su ancho en un rango de 0.1 y su altura en un rango de 0.2. <\/p>\n\n\n\n
Tercero, para abordar las variaciones en las magnitudes de las caracter\u00edsticas, se aplica normalizaci\u00f3n a cada caracter\u00edstica individualmente. El c\u00e1lculo de normalizaci\u00f3n se deriva dividiendo el rango entre los valores m\u00e1ximos y m\u00ednimos de las caracter\u00edsticas por el valor m\u00ednimo de datos de imagen.<\/p>\n\n\n\n
Caracter\u00edsticas de Textura Derivadas de la Matriz de Co-ocurrencia de Niveles de Gris<\/strong>. El uso de la matriz de co-ocurrencia de niveles de gris (GLCM) para detectar y diagnosticar enfermedades de plantas ha sido ampliamente estudiado en varios trabajos de investigaci\u00f3n. Yogeshwari y Thailambal emplearon una GLCM como m\u00e9todo de extracci\u00f3n de caracter\u00edsticas en su marco para detectar enfermedades de hojas de plantas, capturando exitosamente detalles de textura de las im\u00e1genes. Sari et al. emplearon caracter\u00edsticas de textura y un modelo SVM para la clasificaci\u00f3n de enfermedades de hojas de chile. <\/p>\n\n\n\n
La matriz de co-ocurrencia es una t\u00e9cnica estad\u00edstica empleada para el an\u00e1lisis de textura en una imagen en escala de grises. Al examinar la correlaci\u00f3n en escala de grises entre dos p\u00edxeles en el espacio de imagen separados por una distancia espec\u00edfica, la GLCM extrae las caracter\u00edsticas de textura del dosel a trav\u00e9s de caracter\u00edsticas de probabilidad de manera aleatoria.<\/p>\n\n\n\n
Este estudio involucr\u00f3 seis versiones diferentes de la GLCM, a saber, contraste, disimilitud, homogeneidad, momento angular segundo (ASM), energ\u00eda y correlaci\u00f3n, como t\u00e9cnicas de extracci\u00f3n de caracter\u00edsticas. La profundidad y textura de una imagen se indican por su contraste, mientras que la disimilitud calcula la separaci\u00f3n entre pares de p\u00edxeles dentro de un \u00e1rea especificada. La homogeneidad eval\u00faa qu\u00e9 tan cercana es la distribuci\u00f3n de elementos en la GLCM, mientras que ASM detecta la rugosidad de la distribuci\u00f3n y textura de la imagen. <\/p>\n\n\n\n
La energ\u00eda es una medida de la uniformidad de la textura, y la correlaci\u00f3n determina el grado de correlaci\u00f3n presente en la imagen en escala de grises local. <\/p>\n\n\n\n
Como se muestra en la Figura 2, este trabajo utiliza la metodolog\u00eda de GLCM para extraer informaci\u00f3n de textura de hojas de vid segmentadas. El algoritmo de GLCM calcula caracter\u00edsticas de textura para cada regi\u00f3n de p\u00edxeles que desempe\u00f1a un papel crucial en los an\u00e1lisis posteriores. Las siguientes f\u00f3rmulas, seg\u00fan lo descrito en Hall-Beyer, proporcionan una explicaci\u00f3n detallada de las variables espec\u00edficas derivadas del enfoque de GLCM basado en RGB.<\/p>\n\n\n\n
<\/a>![\"\"](\"https:\/\/enolife.com.ar\/es\/wp-content\/uploads\/2024\/06\/image-28.png\")
<\/a>Resumen del enfoque sugerido<\/strong><\/p>\n\n\n\n
M\u00faltiples redes profundas, que incluyen arquitecturas CNN, DNN, CNN-LSTM y DNN-LSTM, fueron sometidas a entrenamiento utilizando una amplia gama de datos multimodales, que incluyeron variables GLCM, caracter\u00edsticas pre-entrenadas y datos de imagen. Las caracter\u00edsticas pre-entrenadas fueron obtenidas de VGG16, VGG19, ResNet50 y ResNet101V2. <\/p>\n\n\n\n
Generalmente, CNN y DNN fueron entrenadas utilizando datos de imagen, mientras que LSTM utiliz\u00f3 factores GLCM para la identificaci\u00f3n de enfermedades en cultivos de vid, por ejemplo, tiz\u00f3n negro, clorosis, esca, mildiu polvoriento y saludable. <\/p>\n\n\n\n
Los pasos secuenciales del marco propuesto se muestran en la Figura 3: (a) realizar tareas de preprocesamiento de im\u00e1genes como normalizaci\u00f3n, segmentaci\u00f3n y aumento; (b) convertir las im\u00e1genes a escala de grises para extraer caracter\u00edsticas GLCM; (c) dividir el conjunto de datos y entrenar redes neuronales profundas; (d) entrenar los modelos bajo diferentes escenarios, incluyendo CNN, DNN, CNN-LSTM y DNN-LSTM; (e) incorporar caracter\u00edsticas pre-entrenadas extra\u00eddas de VGG16, VGG19, ResNet50 y ResNet101V2 durante el proceso de entrenamiento; (f) optimizar los hiperpar\u00e1metros para seleccionar la mejor configuraci\u00f3n durante el entrenamiento; (g) analizar el rendimiento del modelo en nuevas muestras; (h) evaluar el rendimiento general del modelo de clasificaci\u00f3n; (i) guardar el modelo avanzado para uso futuro; y (j) cargar el modelo de red avanzado para apoyar a los gestores de enfermedades de la vid en la toma de decisiones efectivas.<\/p>\n\n\n\n
![\"\"](\"https:\/\/enolife.com.ar\/es\/wp-content\/uploads\/2024\/06\/image-29.png\")
<\/a>AI GrapeCare, un software para el an\u00e1lisis de la salud de la uva<\/strong><\/p>\n\n\n\n
Como se muestra en la Figura 10, la interfaz del software es f\u00e1cil de usar y no requiere habilidades de programaci\u00f3n. El software es capaz de cargar y analizar im\u00e1genes digitales con varias extensiones, como PNG, JPG, JPEG y TIFF. Adem\u00e1s, admite la carga de un modelo h\u00edbrido profundo superior llamado CNNimg-LSTMGLCM-VGG16. El software incluye procedimientos de preprocesamiento de im\u00e1genes, como la segmentaci\u00f3n de im\u00e1genes y la compresi\u00f3n. <\/p>\n\n\n\n
Durante la segmentaci\u00f3n de im\u00e1genes, el software AI GrapeCare<\/strong> puede ayudar a los usuarios a seleccionar los par\u00e1metros \u00f3ptimos mostrando visualizaciones de las im\u00e1genes segmentadas que genera. Las caracter\u00edsticas \u00fatiles (caracter\u00edsticas texturales) pueden extraerse y mostrarse en una GUI basada en tablas, listas para ser utilizadas como entradas para que el modelo eval\u00fae el estado del crecimiento de la vid. El tiempo de diagn\u00f3stico del software AI GrapeCare para evaluar las condiciones de salud de las uvas suele ser de solo unos segundos y nunca supera 1 minuto. El rendimiento del modelo del software se registr\u00f3 en un 96.6%, con una p\u00e9rdida de 0.123.<\/p>\n\n\n\n
![\"\"](\"https:\/\/enolife.com.ar\/es\/wp-content\/uploads\/2024\/06\/image-36.png\")
<\/a>Este estudio presenta un enfoque h\u00edbrido novedoso impulsado por una interfaz gr\u00e1fica de usuario (GUI) para el monitoreo en tiempo real de la salud de las vides utilizando t\u00e9cnicas de teledetecci\u00f3n basadas en RGB. Su practicidad y rentabilidad lo convierten en una soluci\u00f3n valiosa para la detecci\u00f3n de enfermedades en las plantas. Se emplean t\u00e9cnicas de modelado innovadoras para identificar con precisi\u00f3n el estado de salud de las plantas a trav\u00e9s del an\u00e1lisis de im\u00e1genes. <\/p>\n\n\n\n
El modelo avanzado desarrollado demuestra un rendimiento excepcional en la clasificaci\u00f3n de enfermedades y la reducci\u00f3n de p\u00e9rdidas, lo que indica su efectividad. La integraci\u00f3n de sistemas basados en UAV, que utilizan teledetecci\u00f3n de alta resoluci\u00f3n espacial, puede mejorar el monitoreo de \u00e1reas agr\u00edcolas a gran escala y mejorar significativamente la gesti\u00f3n de enfermedades. Adem\u00e1s, la implementaci\u00f3n de sistemas de transmisi\u00f3n de datos RGB basados en IoT permite un enfoque no destructivo y eficiente para monitorear la salud de las vides y diagnosticar enfermedades. <\/p>\n\n\n\n
Esta tecnolog\u00eda facilita la recopilaci\u00f3n oportuna de datos, minimiza la interrupci\u00f3n de las plantas y acelera el procesamiento de datos de teledetecci\u00f3n, lo que conduce a una toma de decisiones m\u00e1s r\u00e1pida y fundamentada en la agricultura de precisi\u00f3n. Las valiosas ideas de este estudio contribuyen a los esfuerzos continuos para implementar pr\u00e1cticas agr\u00edcolas efectivas. Al aprovechar los avances en im\u00e1genes digitales y aprendizaje profundo, esta investigaci\u00f3n contribuye al desarrollo de soluciones automatizadas que mejoran la detecci\u00f3n de enfermedades y aumentan la eficiencia en la gesti\u00f3n agr\u00edcola.<\/p>\n\n\n\n
Finalmente, aunque esta investigaci\u00f3n puede detectar la clorosis en las vides, es importante tener en cuenta que la clorosis puede resultar de varios factores, como se menciona en la literatura. Por lo tanto, los estudios futuros deber\u00edan centrarse en desarrollar un modelo capaz de reconocer eficazmente la clorosis y comprender sus causas subyacentes como s\u00edntoma. Esto es crucial debido a la naturaleza multifac\u00e9tica de la manifestaci\u00f3n, lo que plantea desaf\u00edos significativos en la identificaci\u00f3n precisa. Al concentrarse en este aspecto, los investigadores pueden abordar mejor las complejidades involucradas en la especificaci\u00f3n de la clorosis. <\/p>\n\n\n\n
Adem\u00e1s, nuestra metodolog\u00eda desarrollada es competente para clasificar con precisi\u00f3n enfermedades individuales en las hojas. Sin embargo, hay una necesidad imperativa de avanzar en t\u00e9cnicas de diagn\u00f3stico que puedan distinguir y descubrir simult\u00e1neamente varios pat\u00f3genos que exhiben s\u00edntomas similares en la misma hoja. La implementaci\u00f3n de algoritmos de detecci\u00f3n de objetos con dos o m\u00e1s clases puede ser instrumental en estas mejoras en el examen, proporcionando una comprensi\u00f3n en capas y comprensiva de la patolog\u00eda de la vid.<\/p>\n\n\n\n
Conclusiones<\/strong><\/p>\n\n\n\n
La vid, un cultivo de frutas de importancia global, a menudo se ve afectada por cuatro enfermedades prevalentes: esca, clorosis, mildiu polvoriento y podredumbre negra. El diagn\u00f3stico oportuno y preciso juega un papel fundamental en contener la propagaci\u00f3n de enfermedades y minimizar las p\u00e9rdidas de producci\u00f3n en la vid. El progreso en el aprendizaje profundo ha abierto el camino para algoritmos de diagn\u00f3stico innovadores en el campo de la identificaci\u00f3n de enfermedades de las plantas, desbloqueando nuevas posibilidades y v\u00edas para una detecci\u00f3n precisa y eficiente. <\/p>\n\n\n\n
Este documento presenta un enfoque h\u00edbrido innovador, utilizando un software independiente llamado AI Grapecare, para procesar y analizar im\u00e1genes RGB para identificar enfermedades de la vid. El marco propuesto integra varios redes de aprendizaje profundo, incluyendo una red neuronal convolucional (CNN), una memoria a largo plazo a corto plazo (LSTM) y una red neuronal profunda (DNN). Tambi\u00e9n emplea caracter\u00edsticas multimodales como VGG16, VGG19, ResNet50 y ResNet101V2, junto con caracter\u00edsticas texturales basadas en la matriz de co-ocurrencia de niveles de gris (GLCM). <\/p>\n\n\n\n
Los modelos h\u00edbridos, como CNNimg-VGG16, CNNimg-LSTMGLCM-VGG16, DNNimg-VGG16 y DNNimg-LSTMGLCM-VGG16, se entrenaron con el 80% de los datos, mientras que el 20% restante se reserv\u00f3 para la evaluaci\u00f3n. Esta metodolog\u00eda permiti\u00f3 una evaluaci\u00f3n exhaustiva del rendimiento, lo que permiti\u00f3 la selecci\u00f3n del modelo m\u00e1s efectivo. Bas\u00e1ndose en los resultados experimentales, la red h\u00edbrida de CNNimg-LSTMGLCM-VGG16 exhibi\u00f3 una capacidad predictiva notable como extractor de caracter\u00edsticas y clasificador para el diagn\u00f3stico de enfermedades de la vid. Al incorporar sus caracter\u00edsticas extra\u00eddas, el sistema propuesto logr\u00f3 un rendimiento de clasificaci\u00f3n impresionante, con precisi\u00f3n, recall y F-measure alcanzando el 96.6% y una intersecci\u00f3n sobre la uni\u00f3n del 93.4%. La precisi\u00f3n de validaci\u00f3n del sistema fue del 96.6% con una p\u00e9rdida de 0.123. <\/p>\n\n\n\n
El enfoque propuesto basado en AI GrapeCare demostr\u00f3 la superioridad de la arquitectura del modelo elegido, destacando su eficacia en la clasificaci\u00f3n de hojas de enfermedades de la vid con un tiempo de procesamiento y una participaci\u00f3n laboral m\u00ednimos. Se espera que AI GrapeCare mejore la eficiencia de la fenotipificaci\u00f3n en la agricultura de precisi\u00f3n mediante el an\u00e1lisis de la din\u00e1mica de salud de las frutas, lo que lleva a un cultivo consistente de cultivos de alta calidad.<\/p>\n\n\n\n
Fuente: Art\u00edculo \u201cRapid Grapevine Health Diagnosis Based on Digital Imaging and Deep Learning\u201d, publicado originalmente en la revista Plants en enero de 2024 (doi: 10.3390\/plants13010135)<\/strong><\/em><\/p>\n\n\n\n
En la agricultura de precisi\u00f3n, que utiliza los \u00faltimos recursos tecnol\u00f3gicos disponibles y la internet…<\/p>\n","protected":false},"author":3,"featured_media":117630,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[5],"tags":[],"_links":{"self":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts\/117455"}],"collection":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/comments?post=117455"}],"version-history":[{"count":79,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts\/117455\/revisions"}],"predecessor-version":[{"id":118330,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/posts\/117455\/revisions\/118330"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/media\/117630"}],"wp:attachment":[{"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/media?parent=117455"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/categories?post=117455"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/enolife.com.ar\/es\/wp-json\/wp\/v2\/tags?post=117455"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}