El arroz es uno de los cultivos alimentarios más esenciales del mundo, pero su producción se ve constantemente amenazada por enfermedades de las hojas causadas por patógenos como hongos, bacterias y virus.
por la Academia China de Ciencias
Estas enfermedades, que se manifiestan como manchas en las hojas, pueden afectar gravemente la salud y el rendimiento de los cultivos.
La identificación manual tradicional de estas enfermedades es laboriosa y propensa a errores. La aparición de tecnologías de segmentación basadas en el aprendizaje profundo ha traído mejoras, pero los métodos actuales suelen tener problemas con características irregulares de las enfermedades, fondos complejos y límites borrosos en las imágenes de las hojas.
Un estudio publicado en Plant Phenomics el 5 de agosto de 2024 puede ayudar a los agricultores a tomar mejores decisiones, lo que se traduciría en cultivos más saludables y mayores rendimientos, al tiempo que reduciría el impacto ambiental .
El modelo AISOA-SSformer presenta varios componentes nuevos para mejorar el rendimiento en la segmentación de enfermedades de las hojas del arroz . El equipo implementó el modelo utilizando PyTorch 1.10.0 para garantizar la coherencia en todos los experimentos.
El perceptrón de actualización global dispersa (SGUP) se utiliza para estabilizar el proceso de aprendizaje, capturando de manera eficaz las características irregulares de las enfermedades de las hojas. Además, se incorpora un mecanismo de atención de características salientes (SFAM) para ayudar al modelo a filtrar el ruido de fondo mientras se centra en las características importantes.
Esto se logra a través de dos módulos clave: el Módulo de Reconstrucción Espacial (SRM) y el Módulo de Reconstrucción de Canales (CRM), que trabajan juntos para separar y optimizar las características de la enfermedad.
Para mejorar aún más la precisión, el modelo utiliza el algoritmo de optimización Sparrow integrado con recocido (AISOA), que ajusta el proceso de entrenamiento para evitar quedar atrapado en óptimos locales y mejora el reconocimiento de bordes difusos de las hojas.
En comparación con los modelos existentes, AISOA-SSformer logró una impresionante intersección media sobre unión (MIoU) del 83,1 %, un coeficiente de Dice del 80,3 % y una recuperación del 76,5 %, lo que lo convierte en uno de los métodos más precisos para segmentar las enfermedades de las hojas de arroz.
Los estudios de ablación confirmaron el impacto combinado de SGUP, SFAM y AISOA, lo que aumentó significativamente los coeficientes MIoU y Dice. Los análisis comparativos con modelos establecidos, incluidas las arquitecturas basadas en CNN y Transformer, destacaron la capacidad superior de AISOA-SSformer para segmentar las enfermedades de las hojas del arroz, incluso en entornos complejos, lo que enfatiza su potencial para aplicaciones agrícolas prácticas.
El modelo AISOA-SSformer representa un gran avance en la agricultura de precisión, ya que proporciona una herramienta avanzada para identificar enfermedades de las hojas del arroz . Al mejorar la precisión de la segmentación y abordar antecedentes complejos y patrones irregulares de enfermedades, este modelo tiene el potencial de revolucionar el manejo de enfermedades en los cultivos .
En el futuro, podría aplicarse a otros cultivos y desafíos agrícolas, realizando contribuciones significativas a la agricultura sostenible y la seguridad alimentaria.
Más información: Weisi Dai et al, AISOA-SSformer: Un método eficaz de segmentación de imágenes para enfermedades de las hojas del arroz basado en la arquitectura del transformador, Plant Phenomics (2024). DOI: 10.34133/plantphenomics.0218
