Классификация изображений бурой пятнистости какао с использованием компьютерного зрения и трансферного обучения в регионе San Martín
Clasificación de imágenes de manchas marrones en cacao mediante visión artificial y transferencia de conocimiento en la región de San Martín
Aldahir Eduardo Altamirano-Reategui, Cristian Werner García-Estrella, Jhosep Sánchez-Flores
Аннотация (перевод)
Бурая пятнистость влияет на продуктивность и качество какао, приводя к экономическим потерям в регионе San Martín. Целью исследования была разработка системы для классификации изображений плодов какао, пораженных этим заболеванием, с помощью компьютерного зрения и трансферного обучения в реальных полевых условиях. Исследование проводилось в Chazuta в 2024 году. Было собрано 3.003 изображений здоровых и больных плодов, сегментированных с помощью Mask R-CNN и подвергнутых аугментации данных, в результате чего было получено 12.012 изображений. Были оценены предобученные архитектуры VGG16, ResNet50 и MobileNetV2 в качестве экстракторов признаков в сочетании с методом опорных векторов (SVM). Эффективность оценивалась с помощью кросс-валидации и статистического анализа с использованием критериев Levene, ANOVA и Tukey. Все модели превысили точность 98,6 %; VGG16 + SVM показала наилучшие результаты со средней точностью 99,51 % и статистически значимыми отличиями от остальных моделей. Сделан вывод, что гибридный подход, основанный на глубоком извлечении признаков и классификации с помощью SVM, эффективен для автоматического обнаружения бурой пятнистости какао и обладает потенциалом применения в точном земледелии.
Оригинальная аннотация
La mancha parda afecta la productividad y calidad del cacao, generando pérdidas económicas en la región San Martín. El estudio tuvo como objetivo diseñar un sistema para clasificar imágenes de frutos de cacao afectados por esta enfermedad mediante visión artificial y transferencia de aprendizaje en condiciones reales de campo. La investigación se desarrolló en Chazuta durante 2024. Se recopilaron 3.003 imágenes de frutos sanos y enfermos, segmentadas mediante Mask R-CNN y sometidas a aumento de datos, obteniéndose 12.012 imágenes. Se evaluaron las arquitecturas preentrenadas VGG16, ResNet50 y MobileNetV2 como extractores de características, combinadas con máquinas de vectores de soporte (SVM). El desempeño se evaluó mediante validación cruzada y análisis estadísticos con las pruebas de Levene, ANOVA y Tukey. Todos los modelos superaron el 98,6 % de precisión; VGG16 + SVM alcanzó el mejor desempeño, con una precisión promedio del 99,51 % y diferencias estadísticamente significativas frente a los demás modelos. Se concluye que el enfoque híbrido basado en extracción profunda de características y clasificación mediante SVM es eficaz para detectar automáticamente la mancha parda del cacao y presenta potencial de aplicación en agricultura de precisión.
Идентификаторы
Canonical: https://research.holos.house/w/08b2dd56-30fd-4405-9d05-d03e5a667893
DOI: 10.55873/sns7vf68