Use of Trained Convolutional Neural Networks for Analysis of Symptoms Caused by Botrytis fabae Sard

• Autores: David Eduardo Alvarez Sánchez, Anderson Arévalo, Ivan F. Benavides Martinez, Claudia Salazar González, Carlos Betancourth García
• Localización: Revista de Ciencias Agrícolas, ISSN-e 2256-2273, ISSN 0120-0135, Vol. 40, Nº. 1, 2023 (Ejemplar dedicado a: Revista de Ciencias Agrícolas - Enero - Abril 2023; e1198)
• Idioma: inglés
• Títulos paralelos:
  • Uso de redes neuronales convolucionales entrenadas para el análisis de los síntomas de Botrytis fabaeSard
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este estudio evaluó el uso de redes neuronales convolucionales (CNN) en el reconocimiento de enfermedades agrícolas, concretamente para los síntomas de Botrytis fabae. Se utilizó un cultivo experimental de haba para capturar imágenes de foliolos sanos y afectados, que luego se emplearon para realizar pruebas de clasificación binaria y clasificación de gravedad utilizando varios modelos CNN. Los resultados mostraron que los modelos CNN alcanzaron una alta precisión en la clasificación binaria, pero el rendimiento disminuyó en la clasificación de gravedad debido a la complejidad de la tarea. Inception ResNet y ResNet101 fueron los modelos que obtuvieron mejores resultados en esta tarea. El estudio también utilizó el algoritmo Grad-CAM para identificar los síntomas más significativos de B. fabae reconocidos por las CNN. En general, estos resultados pueden utilizarse para desarrollar una herramienta de agricultura inteligente para el apoyo a la producción de cultivos y la investigación en patología vegetal.

  • English

    This study evaluated the use of convolutional neural networks (CNN) in agricultural disease recognition, specifically for Botrytis fabae symptoms. An experimental bean culture was used to capture images of healthy and affected leaflets, which were then used to perform binary classification and severity classification tests using several CNN models. The results showed that CNN models achieved high accuracy in binary classification, but performance decreased in severity classification due to the complexity of the task. InceptionResNet and ResNet101 were the models that performed best in this task. The study also utilized the Grad-CAM algorithm to identify the most significant B. fabae symptoms recognized by the CNNs. Overall, these findings can be used to develop a smart farming tool for crop production support and plant pathology research.