Evaluación Comparativa de Redes Neuronales Convolucionales ResNet-50 y MobileNet-v2 para el Diagnóstico de Enfermedades Foliares en Cultivos de Maíz
Comparative Evaluation of ResNet-50 and MobileNet-v2 Convolutional Neural Networks for Diagnosing Foliar Diseases in Corn Crops
ORCID 0000-0002-4837-3696
ORCID 0009-0001-3679-5568
ORCID 0009-0006-1788-2697
Tecnológico Nacional de México / ITS de Purísima del Rincón, México
ORCID 0000-0002-5965-9120
Tecnológico Nacional de México / ITS de Purísima del Rincón, México
ORCID 0000-0003-0895-2009
ORCID 0000-0002-8411-072X
Tecnológico Nacional de México / ITS de Purísima del Rincón, México
ORCID 0009-0001-5023-7415
Resumen:
El sector agrícola mexicano se enfrenta constantemente a condiciones que afectan la productividad de los cultivos como lo son las condiciones climáticas adversas y la presencia de plagas y vectores. Este estudio evalúa el uso de dos redes neuronales convolucionales (CNNs), la red MobileNet-v2 y la red ResNet-50, en cuanto a su capacidad de una mejor detección y clasificación de enfermedades foliares en plantas de maíz. La metodología para el desarrollo de esta investigación incluyó la captura de imágenes de alta calidad en condiciones controladas, utilizando una cabina estandarizada para fotografiar las muestras. Las imágenes obtenidas fueron preprocesadas para optimizar su claridad, eliminando ruido y segmentando fondos. Posteriormente, se entrenaron ambas redes CNNs con un conjunto de datos homogéneo. Se obtuvieron resultados favorables en el reconocimiento de enfermedades donde la red MobileNet-v2 alcanzó una precisión del 90% en la clasificación correcta de enfermedades en plantas de maíz. La red ResNet-50 logró una precisión del 95%. La red MobileNet-V2 brindó un menor desgaste computacional y la red ResNet-50 alcanzó una mayor precisión. Se concluye que ambas redes presentan ventajas en la detección de enfermedades como el virus del estriado del maíz (MSV), la roya, y afectaciones por plagas, generando una validación de herramientas que pueden ser usadas en una mejora en la toma de decisiones en la gestión de la productividad agrícola.
Palabras clave:
Ceccon, E.,
Méndez-Toribio, M. & Martínez-Garza, C. (2020). Social Participation in Forest Restoration Projects: Insights from a
National Assessment in Mexico. Human Ecology, 48(5), 609–617. https://doi.org/10.1007/s10745-020-00178-w
Fraiwan, M., Faouri, E., & Khasawneh, N. (2022).
Classification of corn diseases from leaf images using deep transfer learning. Plants,
11(20), 2668. https://doi.org/10.3390/plants11202668
Gazaway, W. S., Hagan, A., Mask, P. L., &
Gudauskas, R. T. (1999). Corn diseases in Alabama. Auburn
University.
Godínez de
León, S. M., Zapata-Castañeda, I. E., & Alvarez, L. A. (2023). Vernacular architecture in México: The Blue Corn
Research Center in Michoacán. In ICCAUA 2023: Proceedings of the 6th
International Conference of Contemporary Affairs in Architecture and Urbanism
(p. 1086). İstanbul, Turkey. https://doi.org/10.38027/iccaua2023en0292
Khattak, A., Asghar, M. U., Batool, U., Asghar, M. Z.,
Ullah, H., Al-Rakhami, M., & Gumaei, A. (2021). Automatic detection of
citrus fruit and leaves diseases using deep neural network model. IEEE access, 9,
112942-112954. https://doi.org/10.1109/ACCESS.2021.3096895
Mesías-Ruiz,
G. A., Pérez-Ortiz, M., Dorado, J., De Castro, A. I., & Peña, J. M. (2023).
Boosting precision crop protection
towards agriculture 5.0 via machine learning and emerging technologies: A
contextual review. Frontiers in Plant Science, 14, 1143326. https://doi.org/10.3389/fpls.2023.1143326
Li, M., Cao, X., Liu, D., Fu, Q., Li, T., & Shang,
R. (2022). Sustainable management of agricultural water and land resources
under changing climate and socio-economic conditions: A multi-dimensional
optimization approach. Agricultural Water Management, 259, 107235. https://doi.org/10.1016/j.agwat.2021.107235
Negi, A., Kumar, K., & Chauhan, P. (2021). Deep
neural network-based multi-class image classification for plant diseases. In A.
Choudhury, A. Biswas, M. Prateek, & A. Chakrabarti (Eds.), Agricultural
informatics: Automation using the IoT and machine learning (pp. 117-127).
Scrivener Publishing LLC. https://doi.org/10.1002/9781119769231.ch6
Pandey, D. K., & Mishra, R. (2024). Towards
sustainable agriculture: Harnessing AI for global food security. Artificial
Intelligence in Agriculture, 12, 72-84. https://doi.org/10.1016/j.aiia.2024.04.003
Raouhi, E. M., Lechgar, M., Hrimech, H., & Kartit,
A. (2022). Optimization techniques in deep convolutional neuronal networks
applied to olive diseases classification. Artificial Intelligence in
Agriculture, 6, 77-89. https://doi.org/10.1016/j.aiia.2022.06.001
Rehman, F., Adnan, M., Kalsoom, M., Naz, N., Husnain,
M. G., Ilahi, H., Ilyas, M. A., Yousaf, G., Tahir, R., & Ahmad, U. (2021).
Seed-Borne Fungal Diseases of Maize (Zea mays L.): A Review. Agrinula: Jurnal
Agroteknologi Dan Perkebunan, 4(1), 43-60. https://doi.org/10.36490/agri.v4i1.123
Resti, Y., Irsan, C., Tiara Putri, M., Yani, I., Ansyori, A., & Suprihatin, B. (2022). Identification of Corn Plant Diseases and Pests Based on Digital Images using Multinomial Naïve Bayes and K-Nearest Neighbor. Science and Technology Indonesia, 7(1), 29-35. https://doi.org/10.26554/sti.2022.7.1.29-35
Thomas, R. J., O'Hare, G., & Coyle, D. (2023). Understanding technology acceptance in smart agriculture: A systematic review of empirical research in crop production. Technological Forecasting and Social Change, 189, 122374. https://doi.org/10.1016/j.techfore.2023.122374