Comparación de arquitecturas de redes neuronales convolucionales para la clasificación de enfermedades en tomate

Abstract

Las plantas de tomate son constantemente afectadas por diversas enfermedades. Un diagnóstico oportuno y preciso es de suma importancia para prevenir la calidad de los cultivos. Recientemente, el Aprendizaje Profundo, específicamente las Redes Neuronales Convolucionales han logrado resultados extraordinarios en muchos campos, incluyendo la clasificación de enfermedades de plantas. Este trabajo se centra en la técnica de “ajuste fino” basado en la comparación de diferentes arquitecturas de Redes Neuronales Convolucionales tales como: AlexNet, GoogleNet, Inception V3, ResNet 18 y ResNet 50. Finalmente, se realizó la evaluación de la comparación. El conjunto de datos utilizado para los experimentos fue compuesto por nueve clases con enfermedades y una clase sana, extraídas del conjunto de datos PlantVillage. Los modelos se evaluaron mediante un análisis estadístico multiclase con base en la exactitud, precisión, sensibilidad, especificidad, F-score, ´area bajo la curva y la curva de característica operativa del receptor. Los resultados presentaron valores significativos obtenidos por GoogleNet con 99.72% de AUC y 99.12% de sensibilidad. Es posible concluir que esta tasa de éxito significativo hace que el modelo de GoogleNet sea una herramienta ´util para los agricultores, ayudando así a identificar y proteger los tomates de enfermedades.