Services on Demand
Journal
Article
Indicators
- Cited by SciELO
- Access statistics
Related links
- Cited by Google
- Similars in SciELO
- Similars in Google
Share
Revista de Ciencias Agrícolas
Print version ISSN 0120-0135On-line version ISSN 2256-2273
Abstract
ALVAREZ SANCHEZ, David-E et al. Uso de redes neuronales convolucionales entrenadas para el análisis de los síntomas de Botrytis fabae Sard. Rev. Cienc. Agr. [online]. 2023, vol.40, n.1, e1198. Epub July 18, 2023. ISSN 0120-0135. https://doi.org/10.22267/rcia.20234001.198.
Este estudio evaluó el uso de redes neuronales convolucionales (CNN) en el reconocimiento de enfermedades agrícolas, concretamente para los síntomas de Botrytis fabae. Se utilizó un cultivo experimental de haba para capturar imágenes de foliolos sanos y afectados, que luego se emplearon para realizar pruebas de clasificación binaria y clasificación de gravedad utilizando varios modelos CNN. Los resultados mostraron que los modelos CNN alcanzaron una alta precisión en la clasificación binaria, pero el rendimiento disminuyó en la clasificación de gravedad debido a la complejidad de la tarea. InceptionResNet y ResNet101 fueron los modelos que obtuvieron mejores resultados en esta tarea. El estudio también utilizó el algoritmo Grad-CAM para identificar los síntomas más significativos de B. fabae reconocidos por las CNN. En general, estos resultados pueden utilizarse para desarrollar una herramienta de agricultura inteligente para el apoyo a la producción de cultivos y la investigación en patología vegetal.
Keywords : Aprendizaje profundo; Botrys fabae Sard; escala de severidad; inteligencia artificial..