Al aprovechar la arquitectura avanzada de redes neuronales convolucionales (CNN) y algoritmos de optimización inteligentes, un modelo impulsado por IA supera significativamente las técnicas convencionales, ofreciendo una precisión mejorada y costos computacionales reducidos.
por la Academia China de Ciencias
El encamado del arroz, la curvatura o caída de los cultivos causada por factores ambientales como el viento o la lluvia, representa una amenaza importante para la productividad de los cultivos.
Dificulta la fotosíntesis, complica la cosecha y aumenta la vulnerabilidad a las plagas, por lo que es crucial que los agricultores y los investigadores controlen y predigan el encamado de manera eficaz.
Los métodos tradicionales, incluida la inspección visual, el modelado matemático y la teledetección por satélite, suelen requerir mucho trabajo y son imprecisos y carecen de la escalabilidad y la inmediatez necesarias para la evaluación agrícola a gran escala.
Un estudio publicado en Plant Phenomics puede orientar acciones correctivas oportunas, como ajustar las estrategias de riego o control de plagas, para mitigar posibles pérdidas de rendimiento.
El modelo AAUConvNeXt, desarrollado mediante optimización multiobjetivo utilizando el algoritmo AFOA-APM, ofrece una versión mejorada de la arquitectura CNN UConvNeXt para segmentar el encamado del arroz . El método de investigación implicó optimizar la cantidad de canales en las capas convolucionales del modelo para mejorar el rendimiento y la eficiencia.
A diferencia del enfoque convencional donde los canales aumentan o disminuyen según un patrón fijo, el modelo AAUConvNeXt ajusta estratégicamente los canales, aumentándolos en capas que requieren un alto aprendizaje de características y reduciéndolos en capas menos críticas para equilibrar la complejidad y el uso de recursos.
Los resultados de experimentos exhaustivos destacan la superioridad de AAUConvNeXt sobre los modelos existentes. La arquitectura optimizada logró una precisión de píxeles (PA) del 96,3 %, una precisión de píxeles media (MPA) del 96,3 % y una intersección sobre unión media (mIoU) del 93,2 %, superando a otros modelos como DeepLabV3+ y HRNet.
Además, AAUConvNeXt redujo el recuento de parámetros y la complejidad computacional en un 8,66 %, lo que lo hace más eficiente en el uso de recursos.
Las capacidades avanzadas de extracción de características del modelo contribuyeron a una alta precisión de segmentación, especialmente para distinguir categorías de encamado de arroz desafiantes, incluidos los estados completo, parcial y no encamado.
Los estudios de ablación confirmaron que la combinación de AFOA con APOM mejoró significativamente las métricas de segmentación, y que AAUConvNeXt superó a sus predecesores. Además, los ajustes de canal específicos optimizaron la complejidad del modelo, lo que permitió un aprendizaje eficiente de las características tanto iniciales como refinadas.
Según el investigador principal del estudio, el Dr. Xiaobo Sun, “al integrar el aprendizaje profundo con la optimización inteligente, nuestro modelo proporciona una herramienta poderosa para el monitoreo eficiente del encamado de los cultivos. Este avance tiene un inmenso potencial para transformar las prácticas de cultivo del arroz al ofrecer soluciones oportunas, confiables y rentables”.
El modelo AAUConvNeXt representa un avance significativo en la tecnología agrícola, ya que combina el aprendizaje profundo con la optimización inteligente para lograr un monitoreo eficiente del encamado del arroz. Su integración en las prácticas agrícolas podría revolucionar la gestión de los cultivos y ofrecer un camino prometedor hacia una mayor productividad y sostenibilidad.
Más información: Panli Zhang et al, AAUConvNeXt: Mejora de la segmentación del encamado de cultivos con arquitecturas optimizadas de aprendizaje profundo, Plant Phenomics (2024). DOI: 10.34133/plantphenomics.0182
