Evaluación de arquitecturas Deep Learning para identificar anomalías por deficiencia de macronutrientes en Persea Americana variedad Hass

Abstract

La fertilidad del suelo es vital para el desarrollo de los cultivos de Persea Americana y una beneficiosa producción de frutos, este desarrollo se ve afectado por la deficiencia de nutrientes (macro y micro nutrientes) en el suelo. Las características tempranas se presentan en las hojas provocando decoloraciones, manchas y en algunos casos necrosis. En los macronutrientes se consideran seis clases críticas para el cultivo como son Calcio, Potasio, Magnesio, Nitrógeno, Fósforo y Azufre, la dificultad de identificar al macronutriente que ocasiona la aparición de anomalías en las hojas corresponde a un problema de clasificación de imágenes. Las redes neuronales convolucionales han demostrado un gran desempeño en las tareas de visión por computadora, esencialmente en la clasificación de imágenes por este motivo la solución propone emplear las arquitecturas de redes neuronales profundas Inception-v3, DenseNet169 y MobileNet por su alto rendimiento. Para entrenar las CNNs se construyó un dataset original y primero en su tipo de 6,090 imágenes distribuidas en siete categorías que se recolectaron en cuatro periodos, en el sector de Molinopata, Abancay - Apurímac, aún con esta cantidad de imágenes es insuficiente para entrenar una CNN desde cero. Por esta razón se empleó la transferencia de aprendizaje en la solución como estrategia de entrenamiento, adicionalmente beneficia el desarrollo de la solución reduciendo el costo computacional y los tiempos de entrenamiento. Se construyó un prototipo basado en una arquitectura API y desplegado en el servidor local con finalidad de mostrar los resultados de manera dinámica para un usuario final. Los resultados obtenidos de las métricas de evaluación aplicadas al subconjunto de validación de Persea Americana Hass Dataset proporcionan un análisis del comportamiento de las CNNs en la tarea clasificación de las hojas de Persea Americana variedad Hass. Se obtuvo tasas de acierto del 85.86%, 84.64% y 83.29% de Inception-v3, MobileNet y DenseNet169 respectivamente. Resultando ser la CNN Inception-v3 la sobresaliente para el problema de investigación.