Investigadores de la Universidad de BRAC y la Universidad Internacional Unidas de Bangladesh han desarrollado un modelo computarizado que promete revolucionar la identificación de enfermedades en plantas de forma precisa y eficiente, utilizando una combinación de técnicas avanzadas e innovadoras en redes neuronales.

La novedosa metodología involucra la integración de técnicas de compresión de modelos mediante “podado” de peso y destilación de conocimiento, integradas a través de una arquitectura novedosa llamada DenseNet infundido con involuciones. Estos métodos proponen reducir el tamaño y la carga computacional de los modelos, haciéndolos más accesibles para su uso en dispositivos móviles y en tiempo real.

El estudio resalta que, gracias a estas mejoras, modelos previamente complejos como ResNet50 pueden alcanzar precisiones de más del 99% después de la compresión, manteniendo un desempeño superior mientras se reduce drásticamente el número de parámetros necesarios.

Los resultados obtenidos confirmaron que, sobre conjuntos de datos como PlantVillage y PaddyLeaf, la hibridación ofrecida por la combinación Involution y DenseNet consiguió un rendimiento excepcional con precisiones cercanas al 99%, mostrando así su capacidad para adaptarse a entornos de recursos limitados, como los que típicamente enfrentan los agricultores.

La investigación aborda un desafío crucial en la agricultura moderna: la detección temprana y precisa de enfermedades en cultivos, un aspecto que hasta ahora dependía de métodos manuales y prontos a errores humanos. La introducción de tecnología automatizada a través de CNNs avanzadas ofrece a los agricultores una herramienta poderosa para mitigar daños en los cultivos, asegurar la seguridad alimentaria y optimizar la producción.

En conclusión, el equipo de investigación expande las fronteras de la inteligencia artificial aplicada a la agricultura con un enfoque sostenible y tecnológicamente accesible, abogando por la implementación de sus modelos para mejorar la productividad y decisiones en ambientes agrícolas dinámicos.