Estudio y comparativa de algoritmos de detección de objetos con redes neuronales artificiales convolucionales para la detección de enfermedades en hojas

Abstract

Recientemente el Machine Learning y la visión computacional han originado interés y han encontrado nuevas aplicaciones en la ingeniería. En la agricultura, sistemas “inteligentes” se han convertido en herramientas importantes para la detección de anomalías que decrecen la calidad y cantidad en la cosecha de productos agrícolas. En esta investigación desarrollamos una comparativa de los principales algoritmos de detección de objetos usando Redes Neuronales Convolucionales (RNC) implementadas en Deep Learning. Se analizaron los resultados en base a la superposición y tiempo de procesamiento obtenidos con los algoritmos de detección de objetos R-CNN, Fast R-CNN, y Faster R-CNN. Se implementaron las arquitecturas de RNC de AlexNet, GoogleNet, ResNet50, ResNet101, SqueezeNet e InceptionV3, para generar Transfer Learning en los detectores y clasificadores de imágenes. Las arquitecturas fueron entrenadas con PlantVillage - Dataset, conformado por más 40,000 imágenes de hojas de 9 especies de plantas y 24 enfermedades.