Treffer: Evaluación de arquitecturas de redes neuronales convolucionales para la clasificación de enfermedades en el cultivo de arroz.

Objective: To evaluate the performance of different convolutional neural network (CNN) architectures for classifying diseases in rice crops. Methodology: The Knowledge Discovery in Databases (KDD) process was applied as an integrated data analysis approach, covering data selection, preprocessing, transformation, and interpretation. Images representing four pathogenic agents affecting rice were used to train five CNN architectures and compare their classification performance. Discussion: Findings indicate that transfer learning (TL) enhances disease identification across different parts of the plant, enabling the models to achieve satisfactory performance metrics. Conclusions: The accuracy levels achieved by ResNet50 and VGG16 confirm their suitability for future applications, not only in diagnosing rice diseases but also in classifying conditions in other crops, thus broadening their applicability in agricultural systems. [ABSTRACT FROM AUTHOR]

Objetivo: Evaluar el desempeño de diversas arquitecturas de redes neuronales convolucionales (CNN) en la clasificación de enfermedades que afectan el cultivo de arroz. Metodología: Se empleó el proceso Descubrimiento de conocimiento en bases de datos (KDD por sus siglas en inglés) como enfoque integral para la gestión y análisis de datos, abarcando la selección, preparación y transformación de imágenes, así como la interpretación de los resultados. Se utilizaron imágenes correspondientes a cuatro agentes patógenos del arroz, con las cuales se entrenaron cinco arquitecturas CNN, con el fin de comparar su capacidad de clasificación e identificación de las enfermedades. Discusión: Los hallazgos evidencian que la técnica de transfer learning (TL) mejora la identificación de los patógenos en las distintas partes de la planta, permitiendo alcanzar niveles de rendimiento satisfactorios en la mayoría de los modelos evaluados. Conclusiones: Las precisiones obtenidas con las arquitecturas ResNet50 y VGG16 confirman su potencial para estudios futuros, no solo en el diagnóstico de enfermedades del arroz, sino también en la clasificación de afecciones en otros cultivos, ampliando así su aplicabilidad en el ámbito agrícola. [ABSTRACT FROM AUTHOR]

Copyright of Investigación e Innovación en Ingenierías is the property of Universidad Simon Bolivar and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)