II Simposio Internacional sobre "Generación y Transferencia de Conocimiento para la Transformación Digital"  "SITIC2023" -I Taller Internacional de Tecnologías y Aplicaciones de Web Semántica en el entorno de Inteligencia Artificial de las Cosas

II Simposio Internacional sobre "Generación y Transferencia de Conocimiento para la Transformación Digital"

SITIC2023

Detección del mildiu de la patata en pleno campo con deep learning

Resumen

La detección temprana del hongo mildiu (phytophthora infestans) en los cultivos de patata es esencial para prevenir pérdidas de la cosecha y aumentar la calidad del producto final. En este contexto, la combinación de aprendizaje automático y sensores de proximidad se postula como una técnica capaz de lograr esta detección de forma eficiente y eficaz. No obstante, los modelos de IA de la literatura especializada se han desarrollado a partir de imágenes tomadas en el laboratorio hoja a hoja, lo que no representa las condiciones de campo y limita su aplicabilidad.

En este estudio presentamos el primer modelo de aprendizaje automático capaz de detectar síntomas leves de mildiu en cultivos de patata mediante el análisis de imágenes RGB de alta resolución capturadas directamente en el campo, superando las limitaciones del resto de publicaciones de la literatura y presentando una aplicabilidad real. Nuestra propuesta se basa en redes neuronales convolucionales profundas, con función de pérdida focal. Además, desarrollamos un esquema de pre-procesamiento que permite entrenar estas redes neuronales a partir de pocas imágenes de alta resolución, acelerando la llegada de estos modelos a la práctica.

Nuestro modelo detecta correctamente todos los casos de mildiu en el conjunto de datos de prueba, mostrando un alto nivel de precisión y efectividad en la detección de síntomas tempranos. Estos prometedores resultados refuerzan el posible uso de aprendizaje automático para la detección temprana de enfermedades y plagas en agricultura, lo que permitirá un mejor tratamiento y reducción de su impacto en el cultivo.

Abstract

Early detection of late blight (phytophthora infestans) in potato crops is essential to prevent crop losses and enhance the quality of the final product. In this context, the combination of machine learning and proximal sensing is proposed as a technique capable of accomplishing this detection efficiently and effectively. However, the AI models in the specialized literature have been developed from images taken in the laboratory leaf by leaf, which does not represent field conditions and limits their applicability.

In this study, we present the first machine-learning model capable of detecting mild symptoms of late blight in potato crops through the analysis of high-resolution RGB images captured directly in the field, overcoming the limitations of other publications in the literature and presenting real applicability. Our proposal is based on deep convolutional neural networks, with a focal loss function. In addition, we developed a pre-processing scheme that allows us to train these neural networks from a few high-resolution images, thus, accelerating the potential arrival of these models to real world applications.

Our model correctly detects all cases of late blight in the test set, showing a high level of accuracy and effectiveness in detecting early symptoms. These promising results reinforce the potential use of machine learning for early detection of diseases and pests in agriculture, which will allow for better treatment and reduction of the diseases impact on the crop.

Sobre el ponente

Andrés Herrera Poyatos

Andrés Herrera Poyatos

Universidad de Granada Flag of España

Discussion

Información Práctica
Ponencia
Spanish / Español
noviembre 16, 2023 10:30 a. m.
5 minutos
Salon SITIC 1
Autores
Andrés Herrera Poyatos
David Herrera
Inés Hernández
Ignacio Barrio
Rubén Íñiguez
Carlos Poblete-Echeverría
Rosana Montes
Javier Tardáguila
Francisco Herrera
Palabras clave
detección de enfermedades; visión por computador; aprendizaje profundo; preprocesamiento de datos; agricultura digital; phytophthora infestans
disease detection; computer vision; deep learning; data preprocessing; digital agriculture; phytophthora infestans
Documentos