TEADIS: Clasificación y segmentación de enfermedades de hojas de té basada en aprendizaje profundo mediante datos de observación en campo

Resumen

A nivel mundial, las enfermedades de las hojas de té impactan significativamente el crecimiento económico, la producción y la calidad del cultivo. Esta investigación propone un novedoso marco TEADIS basado en aprendizaje profundo para identificar las enfermedades de las hojas de té. Inicialmente, se recopilan datos visuales y digitales de dispositivos del Internet de las Cosas (IoT) y se almacenan a través de Sigfox en un entorno en la nube. Los datos visuales se preprocesan utilizando un filtro bilateral adaptativo basado en rango escalable (SCRAB) para eliminar el ruido de las imágenes de hojas de té. Se emplea GoogLeNet con función de activación GeLU para clasificar las hojas de té en normales y anormales. Los datos digitales del campo ambiental se utilizan para detectar la ocurrencia de enfermedades del té para su segmentación. Se usa Attention V-Net para mejorar la precisión de la segmentación con mecanismos de atención que se enfocan en regiones relevantes para mejorar la precisión en la identificación de las áreas afectadas. El modelo TEADIS propuesto alcanzó una precisión del 97.77% basado en los datos recopilados entre los años 2021 y 2023.