Machine Translated by Google

Revista Universal de Investigación Agrícola 11(1): 80­97, 2023 DOI: 10.13189/ http://www.hrpub.org
ujar.2023.110108

Detección de enfermedades de la caña de azúcar utilizando CNN­Deep Learning

Método: una perspectiva india

Sammed Abhinandan Upadhye, Maneetkumar Rangnath Dhanvijay* , Sudhir Madhav Patil

Departamento de Ingeniería de Fabricación y Gestión Industrial, Facultad de Ingeniería de Pune (COEP), Wellesley Road,
Chhatrapati Shivaji Nagar, Pune 411005, estado de Maharashtra, India

Recibido el 13 de agosto de 2022; Revisado el 11 de enero de 2023; Aceptado el 1 de febrero de 2023

Cite este artículo con los siguientes estilos de cita (a): [1]

Sammed Abhinandan Upadhye, Maneetkumar Rangnath Dhanvijay, Sudhir Madhav Patil, "Detección de la enfermedad de la caña de azúcar mediante el
método de aprendizaje profundo de CNN: una perspectiva india", Universal Journal of Agricultural Research, vol. . 11, No. 1, pp. 80 ­ 97, 2023. DOI:
10.13189/ujar.2023.110108.

(b): Sammed Abhinandan Upadhye, Maneetkumar Rangnath Dhanvijay, Sudhir Madhav Patil (2023). Detección de enfermedades de la caña de azúcar
utilizando el método de aprendizaje profundo de CNN: una perspectiva india. Revista Universal de Investigación Agrícola, 11(1), 80 ­ 97. DOI: 10.13189/
ujar.2023.110108.

Copyright©2023 por los autores, todos los derechos reservados. Los autores aceptan que este artículo permanece permanentemente en acceso abierto
bajo los términos de Creative Commons Attribution License 4.0 International License

Resumen Los productos agrícolas, especialmente el cultivo de caña de
azúcar, no son una excepción a las enfermedades en comparación con los
otros cultivos. Las enfermedades de la caña de azúcar se pueden mitigar
con más éxito si se identifican adecuadamente y en las primeras etapas de
las enfermedades. El cultivo de caña de azúcar propenso a enfermedades
afecta directamente la calidad y cantidad de la producción.
Las infecciones de la caña de azúcar son motivo de preocupación para los
agricultores porque pueden acabar con todo el campo de cultivo y causar
pérdidas financieras. Los investigadores están trabajando en la aplicación
de técnicas de Inteligencia Artificial (IA), como Machine Learning (ML) y
Deep Learning (DL), para analizar los datos agrícolas (predicción de
rendimiento, pronóstico de precios de venta, clima y calidad del suelo, etc.)
y prevenir daños a los cultivos. debido a diversas razones, siendo las
enfermedades una de ellas. Se requiere que los agricultores productores
de caña de azúcar se enriquezcan con análisis de datos en tiempo real
utilizando diversas técnicas computacionales junto con la gestión de
grandes conjuntos de datos. La red neuronal profunda que incluye la red
neuronal convolucional (CNN) es una técnica moderna para la detección
de enfermedades agrícolas. Por lo tanto, este documento presenta el
estudio de factibilidad y la efectividad del algoritmo CNN basado en DL en
la detección de enfermedades de cultivos con especial referencia a cuatro
enfermedades selectivas del cultivo de caña de azúcar en India. El estudio
fue motivado por la rápida evolución de las clases de enfermedades de la
caña de azúcar y la falta de habilidades de diagnóstico y reconocimiento
de enfermedades por parte de los agricultores. Para resolver este desafío,
se adoptan el aprendizaje profundo y la visión por computadora. Al
categorizar las imágenes de caña de azúcar en dos grupos: saludables y
no saludables/enfermas (con el tipo de enfermedad), el modelo entrenado
puede cumplir su objetivo. Usando una CNN simple con cuatro
clases discretas, el análisis muestra una precisión del 98,69% para la
detección de enfermedades de la caña de azúcar. Además, para guiar a
los agricultores, se desarrolla una aplicación basada en la web para la
detección de enfermedades en los cultivos de caña de azúcar y se
implementa para obtener y monitorear los datos sobre las enfermedades.
El documento también presenta algunas áreas de investigación futuras,
como: (i) el usuario puede ingresar la retroalimentación que se puede
ajustar con el modelo para predecir con precisión las enfermedades del
cultivo de caña de azúcar y la actualización dinámica de la base de datos;
(ii) el efecto de la detección de enfermedades se puede combinar con la
mejora de la productividad agrícola y la previsión de precios utilizando
herramientas y técnicas de IA, lo que ayuda a los agricultores a tomar
decisiones eficaces.
Palabras clave Red neuronal convolucional (CNN),
India, Machine Learning (ML), Enfermedades de la caña de azúcar
1. Introducción
Las enfermedades de la caña de azúcar son una gran fuente de
preocupación y peligro para los agricultores, ya que pueden tener un
impacto financiero significativo en la producción de caña de azúcar, si no
se detectan a tiempo. Si el cultivo de un cultivo específico disminuye, tiene
un impacto negativo en la economía. La sostenibilidad en la producción es
esencial, al igual que la eficiencia de los recursos para semillas, agua,
suelo y fertilizantes. Si estos cultivos se destruyen durante el desarrollo, los
productos agrícolas junto con la intención de mantener la calidad de
Machine Translated by Google
Revista Universal de Investigación Agrícola 11 (1): 80­97, 2023
estos cultivos perderán parte de su competitividad.
Debido a que las enfermedades de la caña de azúcar son inevitables, es
fundamental reconocerlas y diagnosticarlas.
Los expertos siempre han examinado la enfermedad de la caña de
azúcar a simple vista para identificarla y detectarla. A menudo es necesario
realizar un seguimiento de la enfermedad para fundamentar y apoyar el
diagnóstico. Para fincas grandes, esta estrategia no es práctica. Además,
el asesoramiento de expertos es costoso y requiere mucho tiempo.
A diferencia de las arquitecturas de redes neuronales estándar, el
aprendizaje profundo procesa datos utilizando una arquitectura de redes
neuronales artificiales de varias capas. Deep Learning (DL) ha
revolucionado el reconocimiento de imágenes, la clasificación de imágenes
y otras disciplinas que requieren grandes cantidades de datos para
administrar. La aplicación de DL en el diagnóstico de enfermedades de
profesional o en la experiencia personal. Cuando un agricultor envía una
las plantas ha cambiado la forma en que los especialistas evalúan y toman decisiones.
La red neuronal convolucional (CNN) es una de las formas más utilizadas
para presentar ideas complejas y emplea una cantidad significativa de
datos para realizar tareas de reconocimiento de patrones.
Las enfermedades de las plantas de caña de azúcar son un gran tema
científico de estudio que se centra en las características biológicas de la
enfermedad. La detección y el diagnóstico de enfermedades de las plantas
ha demostrado ser fascinante y requiere una consideración especial. La
inocuidad de los alimentos se ve afectada por las enfermedades de las
plantas y las enfermedades son particularmente dañinas para los pequeños
agricultores que dependen de una producción adecuada para ganarse la
vida. La detección de estas infecciones en etapas tempranas dará como
resultado una producción de caña de azúcar de mayor calidad y beneficiará
tanto a los agricultores como a los clientes. La detección temprana de
enfermedades de la caña de azúcar se utiliza para implementar medidas
preventivas a fin de minimizar daños adicionales. En la práctica
convencional, la detección, el reconocimiento y el tratamiento de
enfermedades en la caña de azúcar se realizan principalmente de forma
manual. No habrá instancias difíciles y menos tiempo dedicado a ejecutar
estas tareas manualmente gracias al reciente desarrollo de soluciones
automatizadas para clientes. El desarrollo del procesamiento de imágenes
en el área de la visión artificial puede ofrecer una respuesta viable a este
problema.
CNN es un tipo de red neuronal que utiliza técnicas DL basadas en
redes neuronales artificiales (ANN). DL ha ganado popularidad en el
campo de la agricultura debido a su rendimiento y precisión, especialmente
en el diagnóstico de enfermedades de las plantas. Las CNN son muy
capaces de controlar procesos complicados e identificar patrones en
imágenes.
El objetivo principal de esta investigación es crear un conjunto de datos
etiquetados utilizando la red neuronal para entrenar la base de datos.
Se lleva a cabo la prueba y determinación de la corrección de la red
neuronal entrenada. Posteriormente, se diseña una interfaz gráfica de
usuario (GUI) para la detección fácil de las enfermedades de la caña de
azúcar.
Las plantas de caña de azúcar que están en crecimiento se infectan
mucho con enfermedades de las plantas, y estas plantas enfermas
impactan negativamente en la calidad y productividad de la caña de
azúcar, causando pérdidas financieras en la industria agrícola. El control
de enfermedades es una tarea difícil. Aparecen puntos o rayas de color
en las hojas de las plantas, que son síntomas de la enfermedad. enfermedadesVGGNet,
de las hojas
81
son causadas por hongos, bacterias y virus. Estos trastornos generalmente
se identifican con las manos y los ojos desnudos. El procesamiento de
imágenes se puede utilizar para detectar una variedad de enfermedades
automáticamente. El procesamiento de imágenes es fundamental en la
identificación de enfermedades de las plantas, ya que reduce el esfuerzo
humano y ofrece los mejores resultados.
2. Revisión de la literatura
Las enfermedades de los cultivos mencionadas por Park et al. [1] son
el factor más importante porque reducen la productividad de los cultivos
en un 20­30% cuando infectan un cultivo. Las enfermedades agrícolas
tienen un impacto significativo en la productividad de los cultivos. Cuando
la condición es dudosa, los agricultores deben confiar en el juicio
imagen de una hoja tomada con un teléfono inteligente a un sistema de
motor de análisis, se examina el proceso de diagnóstico y predicción de
enfermedades. Desarrollaron un sistema para diagnosticar la condición
que incluía dos redes convolucionales y tres totalmente conectadas.
Cuando se ejecuta en una unidad central de procesamiento (CPU), el
modelo tiene una precisión del 89,7 %. Las enfermedades de las plantas
estudiadas por Dandawate et al. [2] son el factor más significativo que
reduce la producción agrícola en términos tanto de calidad como de
cantidad. Los agricultores tienen dificultades para diagnosticar y controlar
las enfermedades de las plantas. Finalmente, los resultados de las
pruebas muestran que este sistema puede clasificar con precisión las
hojas con una precisión promedio del 93,79 %. Militante et al. [3] estudió
el modelo entrenado que tenía una precisión del 96,5 %.
Identificaron y detectaron 32 especies de plantas y enfermedades
diferentes usando una CNN. Usando el modelo entrenado, se evaluaron
imágenes en tiempo real para la identificación y detección de enfermedades
de las plantas. Su metodología propuesta, que tiene una tasa de precisión
del 96,5 %, puede ayudar a los agricultores a identificar y categorizar las
enfermedades de las plantas. Hu et al. [4] analizaron que las infecciones
en las hojas de té pueden reconocerse de manera confiable y rápida, lo
que ayudará a controlarlas y evitarlas.
De acuerdo con los resultados experimentales, el método propuesto tiene
una precisión de identificación promedio del 92,5%, que es superior a la
de las técnicas tradicionales de Machine Learning (ML) y las estrategias
tradicionales de DL. El modelo actualizado tiene menos parámetros y
requiere menos iteraciones para lograr la convergencia que el grupo de
geometría visual 16 (VGG16) y los modelos de red AlexNet DL. De
acuerdo con los hallazgos de los estudios, el modelo recomendado tiene
las ventajas de tener pocos parámetros, un alto grado de precisión de
identificación y una rápida tasa de identificación.
Suryawati et al. [5] estudiaron que los brotes de enfermedades de las
plantas pueden representar una seria amenaza para la seguridad de
nuestro suministro de alimentos. Con la detección temprana de
enfermedades basada en ML, tal tragedia podría evitarse. DL, un método
ML relativamente nuevo, ya se usa ampliamente para tareas que requieren
reconocimiento de objetos. Según los hallazgos de los estudios, una CNN
con una arquitectura más profunda realiza mejor esta función. Usan un
subconjunto del conjunto de datos de Plant Village, específicamente el
conjunto de datos de tomate, para probar varias CNN profundas, incluidas
AlexNet, GoogleNet y una simple
Machine Translated by Google
82 Detección de enfermedades de la caña de azúcar utilizando el método de aprendizaje profundo de CNN: una perspectiva india
CNN de dos capas como línea base para tareas de identificación de
enfermedades en plantas de tomate. Militante et al. [6] analizaron que
la enfermedad de la caña de azúcar es una amenaza para la industria
de la caña de azúcar porque destruye los cultivos infectados, reduce el
cultivo y cuesta dinero a los agricultores. Las tecnologías de ML pueden
ayudar a prevenir tales pérdidas mediante la detección temprana de
enfermedades. Como resultado, DL es un enfoque intrigante para usar
el aprendizaje automático para resolver este problema. Para encontrar
y clasificar las enfermedades de la caña de azúcar, utilizaron tres
modelos DL. Los modelos LeNet, StridedNet y VGGNet se comparan en
la arquitectura del estudio. También determina qué modelo es mejor
para clasificar y descubrir las enfermedades de la caña de azúcar. En la
detección de enfermedades de la caña de azúcar, de los tres modelos,
VGGNet tiene la mejor tasa de precisión, mientras que StridedNet tiene la más
de baja.
la enfermedad y calcular la gravedad de la enfermedad en imágenes
Huang et al. [7] establecieron un estudio para determinar la precisión
con la que el índice de reflectancia fotoquímica (PRI) espectroóptico
midió el índice de enfermedad (DI) de la roya amarilla del trigo y qué tan
bien podría usarse para imágenes hiperespectrales para la detección
de enfermedades. El crecimiento de plantas de trigo con niveles variados
de infección por roya amarilla se midió cinco veces en el transcurso de
dos temporadas para determinar los espectros de reflectancia del dosel
y DI. Durante la segunda temporada, el sitio de campo también fue
fotografiado desde el aire utilizando imágenes hiperespectrales. Los
hallazgos mostraron que PRI puede detectar la roya amarilla del trigo
de invierno y se puede utilizar para desarrollar un sensor de imagen
para usar en el espacio o en el aire para los campos de trigo de invierno.
Un nuevo paradigma de aprendizaje conocido como Graph Transformer
Networks (GTN), creado por Lecun et al. [8], permite la enseñanza
global de sistemas multimodales al tiempo que minimiza una métrica de
rendimiento utilizando enfoques basados en gradientes. Para leer un
cheque bancario, también se utiliza una red de transformadores de
gráficos. Al combinar los reconocedores de caracteres de CNN con
métodos de capacitación internacionales, ofrece una corrección sin igual
en las inspecciones comerciales y privadas. El mismo se utiliza en el
mundo comercial y lee millones de cheques todos los días. Se ha
demostrado que las CNN son capaces de reemplazar los extractores de
funciones manuales. Se ha demostrado que los GTN reducen el requisito
de heurísticas creadas manualmente, el etiquetado laborioso y la
regulación de parámetros humanos para los sistemas que reconocen
documentos. Hou et al. [9] mostró que un virus conocido como Grapevine
Leafroll Disease (GLD) puede infectar rápidamente los viñedos y reducir
el rendimiento de la uva en más del 60% en las condiciones
meteorológicas adecuadas. Para prevenir la propagación de la infección
por GLD, se requiere un diagnóstico preciso y una evaluación objetiva
de la distribución de GLD, especialmente en las primeras etapas de la
infección. Para tratar con precisión la enfermedad, este estudio utilizó el
algoritmo de agrupación de colonias de hormigas (ACCA) para identificar
anomalías en el espectro de GLD en cuatro viñedos infectados con
GLD. La GLD se clasificó en tres etapas según la gravedad de la
infección: GLD1, GLD2 y GLD3.
Nagvani et al. [10] Los algoritmos de ML explotados se pueden usar
para identificar enfermedades porque se aplican principalmente a los
datos y priorizan los resultados de actividades particulares. Este estudio
compara los métodos de clasificación de aprendizaje automático para la
detección de enfermedades de las plantas y presenta los procesos de un
sistema general de detección de enfermedades de las plantas. En este
estudio se encontró que CNN tiene un alto nivel de precisión y puede
identificar más enfermedades en varios cultivos. Esta revisión compara
y contrasta cinco algoritmos de clasificación de aprendizaje automático
para identificar enfermedades de las plantas. Los hallazgos muestran
que el clasificador CNN detecta con éxito un mayor porcentaje de
enfermedades. Hu et al. [11] descubrió que una enfermedad común que
se encuentra en las plantas de té, llamada Tea Leaf Blight (TLB), tiene
un impacto negativo en la calidad y la producción del té. Los cultivadores
de té pueden usar una estimación precisa de la gravedad de la TLB
para calcular la cantidad adecuada de pesticida a rociar. Este estudio
propone un procedimiento de cuatro pasos para segmentar las hojas
enfermas, ajustar el área de las hojas infectadas, segmentar los puntos
de escenas naturales para TLB. Para determinar la gravedad de la
enfermedad, el índice de gravedad inicial de la enfermedad (IDS), las
características de color y los datos de textura de la hoja TLB se
suministran al modelo de aprendizaje métrico.
En comparación con los enfoques CNN convencionales y el ML
convencional, los hallazgos del experimento revelaron que la técnica
sugerida es más robusta contra las hojas TLB obstruidas y estropeadas
y tiene una mayor precisión de estimación.
Las enfermedades en plantas como la remolacha azucarera fueron
discutidas por Ozguven et al. [12]. Se utilizaron 155 imágenes para
entrenamiento y pruebas. Con su modelo, se logró una precisión del
95,48 % en la detección y clasificación de enfermedades. Las
enfermedades en plantas como la papa fueron discutidas por Oppenheim
et al. [13] y su resultado mostró que la precisión osciló entre el 83 % y
el 96 % según el modelo que se entrenó para el porcentaje de datos.
Obtuvieron una precisión del 96 % con el modelo entrenado en el 90 %
de los datos. La detección de enfermedades de las plantas se puede
realizar mediante el aprendizaje por transferencia [14­17]. Pero el
estudio comparativo realizado por Huang et al. [16] y Nagasubramanian
et al. [17] muestra que el enfoque basado en el aprendizaje profundo
resulta ser el enfoque más preciso. Arsenovic et al. [18] discutió las
limitaciones de los algoritmos antiguos anteriores al introducir un nuevo
conjunto de datos que incluía imágenes de hojas de diferentes entornos
densos, de varias vistas angulares y con diferentes circunstancias
climáticas. Al hacerlo, el conjunto de datos puede ampliarse y expandirse
para incluir datos adicionales, lo que aumenta la precisión del modelo,
mientras que Barbedo [19] analiza el impacto del tamaño del conjunto
de datos.
Varios investigadores han intentado mejorar la productividad de los
cultivos utilizando herramientas y técnicas de IA. Para el cultivo de maíz,
Prabavathi y Chelliah [20] utilizaron algoritmos ML para predecir la
fertilidad del suelo, la selección de cultivos y la tasa de rendimiento. Se
observó que el análisis del rendimiento de la predicción del cultivo era
alto utilizando el método del árbol de decisión. Viedienieiev y Piskunova
[21] han trabajado en el uso de ML para pronosticar el precio de
productos agrícolas (cebada) con especial referencia a Ucrania.
Utilizaron métodos de pronóstico tradicionales como la regresión lineal
y métodos DL como las CNN híbridas recursivas directas. Los resultados
indicaron que los métodos de pronóstico tradicionales son más efectivos
(requieren menos tiempo) y también requieren menos recursos. En
Ucrania, el uso de neural
Machine Translated by Google

Revista Universal de Investigación Agrícola 11 (1): 80­97, 2023 83

Las redes para el pronóstico dan buenos resultados por la inclusión de factores 4. A3: Se enviaron datos erróneos o incorrectos.
que no pueden acomodarse en los métodos tradicionales de pronóstico. 5. R2: valor imprevisto
Finalmente, sugirieron el uso de métodos de conjunto que son la combinación de
Varias personas pueden obtener uno o más resultados.
modelos tradicionales y de redes neuronales. La limitación de los estudios de
Teoría de conjuntos:
Prabhavathi et al. y Viedienieiev et al. es que no han considerado el efecto de
S = {s, e, X, Y, }
ninguna enfermedad del cultivo respectivo en su productividad y pronóstico de
precios. donde, s
= Comienzo del programa.
1. Entrada de datos
2. Extracción de datos. 3.
El presente estudio, que considera el efecto de la detección de enfermedades,
realizado por los autores, puede combinarse con la mejora de la productividad Análisis de características estadísticas
4. Clasificación 5.
agrícola y la previsión de precios utilizando herramientas y técnicas de IA, lo que
ayuda a los agricultores a tomar decisiones eficaces. Entrenamiento 6.
Resultado final e = Fin

Se observa que las CNN son una herramienta poderosa para lidiar con la
detección de enfermedades de las plantas, pero construir el conjunto de datos
para una herramienta robusta es el desafío.
DL se emplea en toda la solución tecnológica para obtener una alta precisión
en la enfermedad de la caña de azúcar en función de la predicción previa de la
enfermedad de la caña de azúcar. El objetivo principal del proyecto es predecir
las enfermedades de la caña de azúcar, lo que será increíblemente valioso para
los agricultores al planificar las ventas de caña de azúcar. Predecir la enfermedad
de la caña de azúcar puede ser de gran utilidad para que los agricultores
identifiquen y controlen la enfermedad con el fin de aumentar la calidad del cultivo
y su rendimiento.
La implementación de un algoritmo CNN basado en DL brinda una mejor predicción
de la enfermedad de la caña de azúcar. Este trabajo tiene como objetivo predecir la
enfermedad de la caña de azúcar con base en el algoritmo CNN.
del programa.
1. La salida del sistema proporcionada como resultado.
2. Se cierra la sesión del usuario.
X = Entrada del programa, y la entrada debe ser una imagen.
Y = Salida del programa.
Enfermedad de la caña de azúcar
predicha X,
YU Supongamos que U denota el Conjunto de Sistemas.
U= {Cliente, I, TD1, TD2, C, A, D, R} donde, los
términos entre llaves son los componentes del Conjunto. Cliente denota
usuario o personas que usan el sistema, los datos de entrada se denotan por I,
TD1 y TD2 denotan los datos de prueba y los datos del tren respectivamente, el
algoritmo utilizado es CNN y se denota por C, A representa la aplicación móvil o
web, D denota los datos que se registra o captura, y R es el resultado/salida/
resultado.

3. Métodos y sistema Complejidad del espacio:

El conjunto de datos recopilados se verifica de los expertos con el etiquetado La presentación y visualización de patrones revelados afecta la complejidad

adecuado y se divide en varias partes. Todo el conjunto de datos de entrenamiento del espacio. La complejidad del espacio aumenta a medida que se almacenan
más datos. También se define como el espacio necesario para obtener resultados
y prueba, los datos enviados incorrectos o correctos, los resultados y los valores
imprevistos se consideran objetos en un conjunto, donde la entrada y la salida del clasificador cuando se proporciona una entrada. En esta investigación la

deseada son el subconjunto del sistema. Estos objetos a menudo se denominan complejidad del espacio es de 83 kilobytes.

elementos o miembros de un conjunto. Un subconjunto también está diseñado

para la condición de éxito y fracaso. La Figura 1 muestra una descripción general
Complejidad temporal:
para formar un modelo matemático para la aplicación.
Sea n el número de patrones que existe en la base de datos.
Cuando n es mayor que uno, la recuperación de información puede llevar mucho
tiempo. Entonces, para este algoritmo, O(n) representa la complejidad del tiempo.
= Condiciones
de fracaso y éxito.
Fallas: 1.

Una gran base de datos genera demoras en la recuperación de la información.

2. Falla del Hardware.
3. Falla del Software.
Éxito: 1. El

usuario obtiene resultados rápidos y adecuados.

2. Encuentre los datos necesarios buscando en los conjuntos de datos.
Figura 1. Modelo Matemático

3.1. Diagrama de secuencia

donde,
1. A1: Predicción de datos de hoja de caña de azúcar La Figura 2 ilustra una secuencia representativa o diagrama de flujo pertinente
2. A2: Datos de entrenamiento al trabajo actual. Demuestra cómo los procesos se comunican entre sí y el
3. R1: Salida resultante proporcionada por el sistema
Machine Translated by Google

84 Detección de enfermedades de la caña de azúcar utilizando el método de aprendizaje profundo de CNN: una perspectiva india

interacciones entre la GUI, el servidor y la base de datos Es una diagrama. La Figura 3 muestra la secuencia o diagrama de flujo en
estructura de un diagrama de flujo de mensajes. Las interacciones términos de un diagrama de flujo aplicable al modelo actual.
de objetos en orden temporal se representan mediante una secuencia típica

Figura 2. Una secuencia representativa o diagrama de flujo

Machine Translated by Google

Revista Universal de Investigación Agrícola 11 (1): 80­97, 2023 85

Figura 3. Diagrama de flujo/secuencia según corresponda al modelo actual.

Machine Translated by Google
86 Detección de enfermedades de la caña de azúcar utilizando el método de aprendizaje profundo de CNN: una perspectiva india
Figura 4. Arquitectura del sistema propuesto
3.2. Sistema propuesto
Se ha utilizado una base de datos, como una imagen, como entrada
al sistema. La Figura 4 muestra la arquitectura del sistema propuesto
para la identificación de la enfermedad. En este trabajo de investigación
se utilizan un total de 580 imágenes, de las cuales 406 imágenes (es
decir, el 70 % del total de imágenes) se utilizan con fines de formación
y 174 imágenes (es decir, el 30 % del total de imágenes) se utilizan
con fines de prueba. Por lo tanto, imágenes totales en el conjunto de
datos = 580, imágenes por clase = 145, imágenes totales con fines de
capacitación = 406, imágenes por clase con fines de capacitación =
101 a 102, imágenes totales con fines de prueba = 174, imágenes por
clase con fines de prueba = 43 a 44.
Se utiliza un conjunto de datos equilibrado (es decir, el número de
imágenes para cada clase es aproximadamente el mismo). El conjunto
de datos ya está etiquetado y verificado por los expertos. Hay muchas
clases/enfermedades relacionadas con la caña de azúcar. El conjunto
de datos etiquetados verificado por expertos estaba disponible solo
para 4 clases/enfermedades, por lo tanto, en este estudio, solo se han
utilizado 4 clases/enfermedades. La verificación de las clases ya fue
realizada por los expertos interesados del dominio.
Se otorga la misma ponderación al preparar el conjunto de datos
equilibrado para cumplir con todas las diferentes combinaciones de
otras condiciones establecidas. El conjunto de datos está equilibrado
en términos de: (i) recopilación de imágenes de diferentes regiones
agroclimáticas de la India aplicables al cultivo de caña de azúcar, e
incluye 4 regiones peninsulares/prominentes y 5 regiones costeras/
costeras; además, se puede tratar como región tropical o subtropical
(ii) diferentes condiciones de luz, equivalentes a cinco tratamientos de
luz bajo diferentes espectros de luz: tres combinaciones diferentes de
fuente de luz de diodo emisor de luz (LED) azul/rojo
(70B:30R, 50B:50R, 30B:70R), fuente LED de color blanco y fuente
de luz fluorescente/brillante; (iii) diferentes horarios del día, mañana:
06 hrs ­ 09 hrs, tarde: 09 hrs ­ 15 hrs y noche: 15 hrs a 18 hrs; (iv)
variaciones en la densidad de las plantas, con dos hileras en camas y
dos hileras a ambos lados del camellón con una densidad de plantación
de aprox. 1,23 lakh plantas por hectárea; se consideran diversas
técnicas de plantación, como la plantación en camas planas, el método
de camellones y surcos, el método de zanjas, la técnica de camas
elevadas irrigadas por surcos (FIRB), la plantación en pozos anulares
[22]; (v) diferentes épocas del año en función de la temporada de
siembra de la caña de azúcar, a saber. principios de primavera, suru/
estacional/primavera, eksali, pretemporada/otoño, adsali, principios
de verano/finales de primavera y sus respectivas etapas de cultivo de
caña de azúcar, a saber. fase de germinación y emergencia (15 a 30
días), fase de macollamiento y elongación del tallo (31 a 120 días),
fase de gran crecimiento (121 a 210 días), fase de maduración (211 a
365 días) [22].
Una base de datos es una colección de datos estructurados
organizados que se han organizado lógicamente y se han mantenido
digitalmente en un sistema informático. En la mayoría de los casos,
un Sistema de Gestión de Base de Datos (DBMS) tiene el control de
la base de datos.
Estos datos, guardados en uno o varios archivos, se vuelven
fácilmente accesibles, controlables y organizables. La división de
datos en estos archivos se puede realizar en registros y campos que
contienen información sobre características o atributos de la base de
datos. Las tablas se utilizan para organizar registros que transmiten
información sobre cómo los campos se relacionan entre sí.
Con la ayuda de palabras clave y opciones de clasificación, los
usuarios encuentran, reconocen y eligen rápidamente campos de
varios registros para generar informes sobre datos específicos.
El primer procesamiento de datos con el fin de prepararlos para
Machine Translated by Google
Revista Universal de Investigación Agrícola 11 (1): 80­97, 2023
El procesamiento secundario o primario se conoce como preprocesamiento.
Los métodos de preprocesamiento incluyen obtener datos de una colección
más grande, filtrarlos por varios motivos y fusionar subconjuntos de datos.
Es difícil trabajar con datos sin procesar, por lo que necesitamos convertirlos
en datos utilizables.
Este proceso de conversión se conoce como preparación de datos.
La garantía de datos de buena calidad es importante al usar ML.
Extracción de características: a partir de imágenes escaladas, las capas
convolucionales extraen características y luego, para reducir aún más la
dimensión de la característica recuperada, se aplica una función de
activación no lineal rectificada con la ayuda de diferentes tipos de arreglos
de agrupación (agrupación máxima y agrupación promedio). Esta
combinación funciona en conjunto como un filtro para crear una función. Las
características se extraen de las imágenes que consisten en color, entropía
de la textura y manchas en la hoja. Cada característica tiene el mismo peso.
Significa que las funciones están equilibradas.
Las capas totalmente conectadas se utilizan para la clasificación,
mientras que las capas convolucionales y de agrupación se utilizan para la
extracción de características. Esta capa es responsable de identificar las
imágenes de caña de azúcar y evaluar si están enfermas o no.
3.3. Red neuronal convolucional (CNN)
Las redes neuronales son un grupo de algoritmos de reconocimiento de
patrones que, de alguna manera, se inspiran en el cerebro humano en
varios aspectos. Comprenden la información sensorial proporcionada como
entrada al emplear la percepción de la máquina en categorías o agrupar
datos sin procesar. Ya sean fotos, sonido, textos o series temporales, es
necesario obtener la salida numérica en forma de patrones reconocibles que
se registran en vectores al realizar la traducción de toda la entrada del
mundo real. Las redes neuronales ayudan con la clasificación y agrupación
de datos. Además de los datos que guarda y administra, actúan como una
capa adicional de agrupación y categorización. Ayudan en la agrupación de
datos sin etiquetar en función de las similitudes entre las entradas cuando
tienen un conjunto de datos etiquetados sobre el cual entrenar. Las redes
neuronales profundas se consideran componentes de sistemas de
aprendizaje automático más grandes que incluyen algoritmos para el
aprendizaje por refuerzo, la clasificación y la regresión; también pueden
extraer características utilizadas por algoritmos de agrupamiento y
clasificación.
Tomando imágenes de entrada, asignando pesos y sesgos aprendibles
a diferentes objetos en las imágenes y diferenciándolos, todo esto se realiza
mediante un sistema de aprendizaje profundo llamado CNN. El tiempo de
preprocesamiento para una ConvNet es significativamente menor que para
otras técnicas de clasificación. Si bien los enfoques simples requieren la
ingeniería manual de los filtros, se requiere una capacitación adecuada para
que ConvNets aprenda filtros/características. La inspiración de Visual Cortex
se ve en la arquitectura de una ConvNet, que muestra similitudes en el
patrón de conectividad de las neuronas en el
87
cerebro humano. Un único estímulo dentro del campo receptivo, una
pequeña fracción del campo visual, podría ser respondido por una neurona
individual. El uso de capas completamente conectadas para aprender
combinaciones no lineales de alto nivel de la información representada por
las salidas de las capas convolucionales es un método (generalmente)
económico. En esta sección, la capa completamente conectada aprende la
función no lineal.
Capas de la arquitectura CNN: 1.
Capa de convolución.
2. Capa de unidad lineal rectificada (ReLU) (función de activación del
rectificador)
3. Capa de agrupación.
4. Capa completamente conectada
3.4. Capa de convolución: el núcleo
Para obtener una característica reducida de 3x3x1, escale una imagen
de 5x5x1 con un kernel de 3x3x1. Operaciones claras a la derecha con
valores de paso positivos hasta que se analice el ancho completo. Luego, el
método usa los mismos valores de paso para ir al principio de la imagen
(izquierda) y se repite hasta que se haya explorado toda la imagen. En la
Figura 5 se muestra un ejemplo de una arquitectura CNN. Las clases que
se muestran en la Figura 5 se diferencian en función de las enfermedades
de la caña de azúcar en las que se asignan las clases 1, 2, 3 y 4 por la
presencia de enfermedades como la marchitez, podredumbre negra, brote
de hierba y carbón respectivamente y la clase 5 se asigna para la imagen
de planta sana (no afectada por ninguna enfermedad).
3.5. Capa de agrupación
La reducción de la longitud espacial de la capa de convolución se realiza
mediante la agrupación de capas, como la capa convolucional.
Esto se hace para reducir la cantidad de energía que necesita la computadora
para operar con los datos al reducir la dimensionalidad.
También es útil derivar funciones dominantes invariantes rotacionales y
posicionales, lo que permite educar con éxito el modelo.
3.6. Clasificación: capa totalmente conectada (capa FC)
La adición de una capa totalmente conectada es económica para
aprender combinaciones no lineales de funciones de alto nivel. Una
característica no lineal se aprende mediante una capa completamente conectada.
Como las imágenes se toman directamente desde la granja con diferentes
cámaras, el algoritmo está diseñado de tal manera que, independientemente
de la orientación/campo de visión/resolución de la imagen/ángulo de las
imágenes, el algoritmo desarrollado puede clasificar fácilmente la enfermedad
con buena precisión. La figura 6 ofrece una idea de las etapas que se deben
seguir mientras se trabaja con una aplicación basada en web. Las etapas
son: acceder a la aplicación, registrarse, iniciar sesión, comprender la
aplicación, cargar la imagen y obtener el resultado con una sugerencia
correctiva.
Machine Translated by Google

88 Detección de enfermedades de la caña de azúcar utilizando el método de aprendizaje profundo de CNN: una perspectiva india

Figura 5. Arquitectura CNN

Machine Translated by Google

Revista Universal de Investigación Agrícola 11 (1): 80­97, 2023 89

Machine Translated by Google

90 Detección de enfermedades de la caña de azúcar utilizando el método de aprendizaje profundo de CNN: una perspectiva india

Figura 6. Secuencia del sistema diseñado para la detección de la Enfermedad de la Marchitez.

4. Resultados y discusión que consisten en color, entropía de la textura y manchas.

El conjunto de datos se basa en imágenes que se recopilan de
diferentes granjas con diferentes hardware. El clasificador se vuelve
tan robusto que en condiciones de luz diurna brinda resultados
precisos. Las imágenes se toman directamente de las granjas con
diferentes cámaras, por lo que el algoritmo está diseñado de tal
manera que, independientemente de la orientación/campo de visión/
resolución de la imagen/ángulo de las imágenes, el algoritmo
desarrollado puede clasificar fácilmente la enfermedad con buena precisión.
Las características estadísticas se extraen de las imágenes.
De lo anterior, concluimos que la sensibilidad de la condición de luz,
la orientación/campo de visión/resolución de imagen/ángulo de las
imágenes no afectan el resultado. En las diferentes horas del día y
diferentes densidades de plantas, da el resultado exacto.
Las Figuras 7, 8, 9 y 10 ofrecen una descripción general de los
pasos intermedios que puede realizar una aplicación basada en web.
Machine Translated by Google

Revista Universal de Investigación Agrícola 11 (1): 80­97, 2023 91

Figura 10. Forma binaria

El sistema de enfermedades de la caña de azúcar se divide en cuatro clases:

podredumbre negra, marchitez, brote herbáceo y carbón. De acuerdo con la
Figura 7. Imagen de caña de azúcar seleccionada
imagen proporcionada por el usuario, el sistema predecirá la enfermedad de la
caña de azúcar. Las Figuras 11, 12 y 13 indican las respuestas de salida de
muestra para el usuario registrado desde la aplicación basada en la web. Para
calcular los parámetros de rendimiento del algoritmo diseñado, se utiliza una
matriz de confusión como se muestra en la figura 14. Después de revisar los
parámetros de rendimiento, podemos concluir que nuestro sistema funciona
mejor con una puntuación del 98,69 por ciento.

Los detalles de cuatro clases/enfermedades, como recorriendo

la aplicación basada en la web, son las que se describen a continuación:

Caso I: enfermedad de la marchitez

La enfermedad del marchitamiento es una enfermedad de clase 1 del sistema

de enfermedades de la caña de azúcar. El resultado mostrará el resultado como
una imagen proporcionada por el usuario que tiene la enfermedad de Wilt y
brindará información sobre cómo tratarla.

Caso II: Enfermedad de la podredumbre

Figura 8. Imagen después del ajuste de intensidad
La podredumbre se clasifica como una enfermedad de clase 2 en el sistema

de enfermedades de la caña de azúcar. El sistema mostrará el resultado como

una imagen proporcionada por el usuario que tiene la enfermedad de Rot y
brindará información sobre cómo tratarla.

Figura 9. Imagen después de la segmentación

Machine Translated by Google

92 Detección de enfermedades de la caña de azúcar utilizando el método de aprendizaje profundo de CNN: una perspectiva india

Figura 11. Enfermedad de la podredumbre negra

Caso III: Enfermedad de los brotes herbáceos

La enfermedad de los brotes herbáceos es una enfermedad de clase 3 del sistema de enfermedades de la caña de azúcar. El resultado mostrará el resultado como una imagen.

proporcionado por el usuario que tiene la enfermedad de Grassy Shoot y proporcionará información sobre cómo tratarla.

Figura 12. Enfermedad de los brotes herbáceos

Caso IV: enfermedad del carbón

La enfermedad del carbón se clasifica como una enfermedad de clase 4 en el sistema de enfermedades de la caña de azúcar. El sistema mostrará el resultado como una imagen
dada por el usuario que tiene la enfermedad de Smut y el remedio para la misma.
Machine Translated by Google

Revista Universal de Investigación Agrícola 11 (1): 80­97, 2023 93

Figura 13. Enfermedad del carbón.

Época es el número de iteraciones que toma el clasificador para
entrenarse a sí mismo.
De la matriz de confusión obtenemos valores de Verdadero Positivo
(TP), Verdadero Negativo (TN), Falso Positivo (FP) y Falso Negativo (FN).
Utilizando estos valores, se calculan los parámetros de rendimiento.
Precisión = {TP + TN}/{TP + TN + FP + FN}
Precisión = {TP}/{TP + FP}
Recuperar = {TP} / {TP + FN}
basado en todas las ecuaciones 1 a 4. En la Clase 1, la precisión alcanzada
es del 97,7 % y la precisión del 92 % mientras se entrena el clasificador
como un tren con la base de datos de entrada suministrada. En la Clase
2, la precisión alcanzada es del 98,28 % y la precisión del 98 % mientras
se entrena el clasificador como un tren con la base de datos de entrada
dada. En la Clase 3, la precisión alcanzada es del 98,25 % y la precisión
del 98 % mientras se entrena el clasificador como un tren con la base de
(1)
datos de entrada dada. En la Clase 4, la precisión alcanzada es del 97,13
(2) % y la precisión del 95 % mientras se entrena el clasificador como un tren
(3) con la base de datos de entrada dada.

Puntuación F1 = {2 TP}/{2 TP + FP + FN} (4)

Las métricas de rendimiento de precisión pueden ser decisivas cuando

se trata de datos desequilibrados.
La matriz de confusión, la precisión, la recuperación y la puntuación F1
brindan mejores conocimientos sobre la predicción en comparación con
las métricas de rendimiento de precisión.
La figura 14 muestra la matriz de confusión para los cuatro módulos de
formación de clases de enfermos. Los parámetros de desempeño se
calculan usando la ecuación 1 a la ecuación 4 y la figura 15 muestra la
evaluación del desempeño para las cuatro clases.
Figura 14. Matriz de confusión
Machine Translated by Google

94 Detección de enfermedades de la caña de azúcar utilizando el método de aprendizaje profundo de CNN: una perspectiva india

Figura 15. Evaluación del Desempeño para las cuatro clases

La figura 16 muestra la evaluación del rendimiento del sistema que es de cuatro clases durante el entrenamiento y la prueba con
respecto a las épocas. Del análisis de rendimiento y después de observar los parámetros de rendimiento, podemos concluir que el
rendimiento del sistema es mejor con un 98,69 %.

Figura 16. Evaluación de desempeño para diferentes épocas

Machine Translated by Google
Revista Universal de Investigación Agrícola 11 (1): 80­97, 2023
Figura 17. Conjunto de datos saludable
Si se proporciona una imagen de una planta sana/no enferma como
entrada al sistema, el resultado es que la planta está sana o enferma. En
el caso de una planta sana, todos los parámetros de rendimiento son del
100%. Significa que la exactitud, la precisión, la recuperación y la
puntuación F1 son del 100 %. La figura 17 muestra las imágenes utilizadas
para crear un conjunto de datos saludables y la figura 18 es una imagen
de muestra del conjunto de datos de plantas saludables. La Figura 19 es
una respuesta de salida ("La planta está sana") de la aplicación web desarrollada.
Figura 18. Una de las imágenes de un conjunto de datos saludable
95
Figura 19. Resultado de la clasificación cuando se carga una imagen sana en una aplicación web
desarrollada
Los parámetros de rendimiento se calculan utilizando la matriz de
confusión. Para preparar el conjunto de datos, las imágenes se toman
directamente de las granjas con diferentes cámaras y de diferentes
regiones. Los autores también han confirmado que las entradas de
imágenes enfermas para la prueba provienen de las plantas que padecen
esas enfermedades.
5. Conclusiones
En el diseño se empleó una red neuronal convolucional simplista con
cuatro clases discretas para detectar las enfermedades de la caña de
azúcar con una precisión del 98,69 %. El modelo entrenado logró
identificar y categorizar imágenes de caña de azúcar en grupos enfermos/
no saludables y no enfermos/sanos de acuerdo con el patrón de la hoja.
Machine Translated by Google
96 Detección de enfermedades de la caña de azúcar utilizando el método de aprendizaje profundo de CNN: una perspectiva india
y enfermedades en la caña de azúcar. Debido a este estudio, los agricultores
pueden identificar y categorizar enfermedades en la caña de azúcar con el uso
de la visión por computadora y el aprendizaje automático. El propósito clave
del estudio que se presenta aquí es proporcionar información a una CNN que
ofrecería asistencia crucial a los agricultores a través de una aplicación basada
en la web a la que se puede acceder desde cualquier dispositivo conectado a
la web (p. ej., PC de escritorio, dispositivo móvil, pestaña, etc.) según sea
necesario. . En fotos en tiempo real, el modelo entrenado bien podría utilizarse
para identificar y detectar enfermedades de las plantas. El sistema diseñado es
la aplicación web.
Por lo tanto, uno puede iniciar sesión en el sistema y proporcionar fácilmente
una imagen como entrada al clasificador para obtener el resultado, lo que hace
que el sistema sea más fácil de usar.
La utilidad y aplicación de esta técnica dependerá de cómo el modelo pueda
adaptarse al uso en el mundo real a través de la aplicación basada en la web.
El ajuste del modelo basado en los comentarios de los usuarios puede
considerarse como el alcance futuro de este trabajo de investigación. Un
conjunto de datos sólido adaptable y en constante actualización basado en las
entradas de los usuarios será la clave para mejorar la utilidad y la aplicación
de esta técnica. Esto puede tratarse como una limitación del estudio y puede
considerarse como un alcance futuro para otros investigadores junto con la
actualización del conjunto de datos en modo recurrente mientras se ejecuta la
aplicación basada en la web.
REFERENCIAS
[1] H. Park, JS Eun y SH Kim, "Diagnóstico y predicción de enfermedades
basadas en imágenes de los cultivos a través del mecanismo de
aprendizaje profundo", Conferencia internacional sobre convergencia
de tecnologías de la información y la comunicación (ICTC), IEEE, 18­20,
págs. 129­131, octubre de 2017. https://doi.org/10.1109/
ICTC.2017.8190957.
[2] Y. Dandawate y R. Kokare, “Un enfoque automatizado para la clasificación
de enfermedades de las plantas hacia el desarrollo de un sistema de
soporte de decisiones futurista en la perspectiva india”, Conferencia
Internacional sobre Avances en Computación, Comunicaciones e
Informática (ICACCI), IEEE , Kochi, India, págs. 794­799, 10­13 de
agosto de 2015. https://doi.org/10.1109/ICACCI.2015.7275707.
[3] Sammy V. Militante, Bobby D. Gerardoij y Nanette V., "Detección de hojas
de plantas y reconocimiento de enfermedades mediante el aprendizaje
profundo", Conferencia de Eurasia sobre IOT, comunicación e ingeniería
(ECICE), Yunlin, Taiwán, págs. 579­ 582, 03­06 de octubre de 2019.
https://doi.org/10.1109/ECICE47484. 2019.8942686.
[4] Hu Gensheng, Yang Xiaowei, Zhang Yan y Wan Mingzhu, "Identificación
de enfermedades de la hoja de té mediante el uso de una red neuronal
convolucional profunda mejorada", Computación sostenible: informática
y sistema, volumen 24, págs. 102­109, diciembre de 2019 https://doi.org/
10.1016/j.sus com.2019.100353.
[5] E. Suryawati, R. Sustika, R. Yuwana, A. Subekti y H.
Pardede, “Red neuronal convolucional de estructura profunda para la
detección de enfermedades del tomate”, Conferencia internacional
sobre sistemas informáticos e información avanzados (ICACSIS),
Yogyakarta, Indonesia, 27 y 28 de octubre de 2018.
https://doi.org/10.1109/ICACSIS.2018.8618169.
[6] S. Militante y B. Gerardo, “Detecting Sugarcane Diseases through Adaptive
Deep Learning Models of Convolutional Neural Network”, 6th IEEE
International Conference on Engineering Technologies and Applied
Sciences (ICETAS), Kuala Lumpur, Malaysia, pp. 1­ 5, 20 y 21 de
diciembre de 2019. https://doi.org/10.1109/ICETAS48 360.2019.9117332.
[7] W. Huang, DW Lamb, Z. Niu, Y. Zhang, L. Liu y J.
Wang, “Identificación de la roya amarilla en el trigo usando mediciones
de reflectancia espectral in situ e imágenes hiperespectrales en el aire”,
Precision Agriculture, vol. 8, núms. 4/5, págs. 187­197, 2007. https://
doi.org/10.1007/s11119­007­90 38­9.
[8] Y. Lecun, L. Bottou, Y. Bengio y P. Haffner, “Aprendizaje basado en
gradientes aplicado al reconocimiento de documentos”, Actas del IEEE,
vol. 86 (11), págs. 2278–2324, 1998. https://doi.org/10.1109/5.726791.
[9] Jingwei Hou, Longtang Li y Jie He, "Detección de la enfermedad del
enrollamiento de la hoja de la vid basada en imágenes de índice 11 y
algoritmo de agrupación de colonias de hormigas", Agricultura de precisión, págs.
1­18, 25 de enero de 2016. https://doi.org/10.1007/s1119­016­9432­2.
[10] U, Shruti, V. Nagaveni y BK Raghvendra, "Una revisión de las técnicas de
clasificación de aprendizaje automático para la detección de
enfermedades de las plantas", 5.ª Conferencia internacional sobre
sistemas avanzados de computación y comunicación (ICACCS),
Coimbatore, India, págs. 281­284 , 15 y 16 de marzo de 2019. https://
doi.org/10.1109/ICACCS.2019.8728415.
[11] Gensheng Hu, Kang Wei, Yan Zhang, Wenxia Bao y Dong Liang,
“Estimación de la gravedad del tizón de la hoja de té en imágenes de
escenas naturales”, Agricultura de precisión (Springer), págs.
1­24, 13 de enero de 2021. https:///doi.org/10.1007/s11119­02 0­09782­8.
[12] Mehmet Metin Ozguvena y Kemal Adem, "Detección y clasificación
automáticas de la enfermedad de las manchas foliares en la remolacha
azucarera mediante algoritmos de aprendizaje profundo". Physica A:
Statistical Mechanics and its Applications, volumen 535, 122537, 1 de
diciembre de 2019. https://doi.org/10.1016/j.physa.2019.1225 37.
[13] Oppenheim D., Shani G., Erlich O. y Tsror L., "Uso del aprendizaje
profundo para la detección de enfermedades de los tubérculos de papa
basada en imágenes", Phytopathology, vol. 6, 109 (6), págs. 1083–1087,
2019. https://doi.org/10.1094/PHYTO­08­18­0288­R.
[14] Cruz AC, Luvisi A., De Bellis, L. y Ampatzidis, Y.
"Sistema de detección de enfermedades de las plantas basado en la
visión mediante transferencia y aprendizaje profundo". Actas de la
reunión internacional anual de ASABE, Spokane, EE. UU., pp. 1­19,
2017. https://doi.org/10.13031/aim.201700241.
[15] Junde Chen, Jinxiu Chen, Defu Zhang, Yuandong Sun y YA Nanehkaran,
"Uso del aprendizaje de transferencia profunda para la identificación de
enfermedades de plantas basada en imágenes", Computación y
electrónica en la agricultura, volumen 173, 105393, junio de 2020. https:/ /
doi.org/10.1016/j.compag.2020.105393.
[16] Huang, S., Liu, W., Qi, F. y Yang, K. "Desarrollo y validación de un
algoritmo de aprendizaje profundo para el reconocimiento de
enfermedades de las plantas", 21.ª Conferencia internacional sobre
informática y comunicaciones de alto rendimiento ( IEEE), págs.
1951­1957, 10­12 de agosto de 2019. https://doi.org/10.1109/HPCC/
SmartCity/DSS.2019.00269
.
Machine Translated by Google
Revista Universal de Investigación Agrícola 11 (1): 80­97, 2023
[17] Nagasubramanian K., Jones S., Singh AK, Sarkar S., Singh, A. y
Ganapathysubramanian B., "Identificación de enfermedades de
plantas usando aprendizaje profundo 3D explicable en imágenes
hiperespectrales". Plant Methods, pp 1­10, 2019. https://doi.org/
10.1186/s13007­019­0479­8.
[18] Arsenovic M., Karanovic M., Sladojevic S., Anderla A. y Stefanovic D.,
"Resolver las limitaciones actuales de los enfoques basados en el
aprendizaje profundo para la detección de enfermedades de las
plantas", Symmetry 2019, volumen 11, págs. 1­ 21, 2019. https://
doi.org/10.3390/sym11070939.
[19] Barbedo, J. "Impacto del tamaño y la variedad del conjunto de datos
sobre la eficacia del aprendizaje profundo y el aprendizaje de
transferencia para la clasificación de enfermedades de las plantas".
Informática y electrónica en la agricultura, vol. 153, 2018. https://
doi.org/10.1016/j.com pag.2018.08.013.
97
[20] R. Prabavathi y Balika J Chelliah, "Una revisión completa de los enfoques
de aprendizaje automático para la predicción del rendimiento utilizando
nutrientes esenciales del suelo", Revista Universal de Investigación
Agrícola, vol. 10, No. 3, pp. 288 ­ 303, 2022. https://doi.org/10.13189/
ujar.2022.100310.
[21] Volodymyr A. Viedienieiev y Olena V. Piskunova, "Pronóstico del precio
de venta de los productos agrícolas en Ucrania utilizando algoritmos
de aprendizaje profundo", Revista Universal de Investigación Agrícola,
vol. 9, No. 3, pp. 91 ­ 100, 2021. https://doi.org/10.13189/
ujar.2021.090304.
[22] Shukla SK, Sharma Lalan, Awasthi SK y Pathak A.
D., “Caña de azúcar en India (Paquete de prácticas para diferentes
zonas agroclimáticas)”, Boletín técnico AICRP (S) ­ No.
1, publicado por ICAR­All India Coordinated Research Project on
Sugarcane (ICAR­Indian Institute of Sugarcane Research), págs. 1­17,
marzo de 2017.