Компьютерное зрение для выявления грибковых заболеваний какао: систематический обзор архитектур глубокого обучения
Visión por computadora para detectar enfermedades fúngicas en cacao: revisión sistemática de arquitecturas de deep learning
Yomer Ysidro-Santos, Andy Roel Vasquez-Bueno, Isait Camizán-Ojeda
Аннотация (перевод)
В этом систематическом обзоре литературы анализируются 43 научных исследования, посвященных применению методов глубокого обучения (DL) для раннего выявления заболеваний какао (Theobroma cacao). С использованием методологии PRISMA и фреймворка PICOC были исследованы модели и архитектуры, применяемые в задачах классификации, обнаружения и сегментации. Результаты показывают, что легковесные модели семейства YOLO достигают показателей точности до 96% при идентификации болезней какао, обладая способностью выполнять инференс в реальном времени. Аналогичным образом архитектуры Vision Transformer (ViT) и U-Net достигают показателей точности от 97% до 99% в контролируемых условиях и на смежных сельскохозяйственных наборах данных, демонстрируя свой потенциал для применения трансферного обучения. Однако сохраняются ограничения, касающиеся кросс-доменной обобщающей способности, объяснимости моделей и доступности данных, собранных в реальных полевых условиях. Делается вывод, что будущие исследования должны расширять общедоступные наборы данных, внедрять объяснимый искусственный интеллект (XAI) и самообучение без учителя (SSL), а также оптимизировать модели для устройств с ограниченными ресурсами, способствуя развитию устойчивых и масштабируемых решений для умного выращивания какао.
Оригинальная аннотация
This systematic literature review analyzes 43 scientific studies on the application of deep learning (DL) techniques for the early detection of diseases in cocoa (Theobroma cacao). Using the PRISMA methodology and the PICOC framework, models and architectures applied to classification, detection, and segmentation tasks were examined. The results show that lightweight models from the YOLO family achieve accuracy rates of up to 96% in cocoa disease identification, with the capability to perform real-time inference. Likewise, Vision Transformer (ViT) and U-Net architectures achieve accuracy rates ranging from 97% to 99% in controlled environments and related agricultural datasets, demonstrating their potential for transfer learning applications. However, limitations remain regarding cross-domain generalization, model explainability, and the availability of data collected under real-world field conditions. It is concluded that future research should expand public datasets, incorporate explainable artificial intelligence (XAI) and self-supervised learning (SSL), and optimize models for resource-constrained devices, thereby promoting sustainable and scalable solutions for smart cocoa cultivation.
Идентификаторы
Canonical: https://research.holos.house/w/9b5a5c6f-779a-43e0-8843-c31194106689
DOI: 10.55873/kt5n2q37