Deep learning for detection of foliar diseases in soybeans based on the Mask R-CNN model

Abstract

Objective:The objective of this study is to apply the Mask R-CNN model to detect and classify foliar diseases in soybean (Glycine maxL.), assisting in the early diagnosis of powdery mildew, Asian soybean rust, and target spot.Theoretical Framework:It was based on concepts of deep learning, machine learning, and instance segmentation, using ResNet-50 and ResNet-101 architectures, given the relevance of soybean and the impacts caused by foliar diseases.Method:An initial dataset of 525 images was used, which was expanded to 2,408 through data augmentation techniques (resizing and rotation). The model integrated region proposal networks (RPN) and region of interest alignment (RoIAlign) to improve the segmentationand classification of images with foliar diseases. For model evaluation, the metrics mAP, IoU, and F1-Score were used.Results and Discussion:The results revealed that the ResNet-101 architecture outperformed ResNet-50, achieving 85% accuracy in detecting foliar diseases in soybean. This outcome reinforces the applicability of artificial intelligence in the early diagnosis of foliar diseases in agriculture, particularly in soybean cultivation.Research Implications:The research highlights the feasibility of deep learning-based models for agricultural management. Future studies may explore methods that eliminate the need for polygonal annotations and integrate technologies such as drones and IoT devices for greater scalability and efficiency Originality/Value:The research highlights the feasibility of deep learning-based models for agricultural management. Future studies may explore methods that eliminate the need for polygonal annotations and integrate technologies such as drones and IoT devices for greater scalability and efficiency.

El objetivo de este estudio es aplicar el modelo Mask R-CNN para detectar y clasificar enfermedades foliares en la soja (Glycine max L.), ayudando en el diagnóstico temprano del oídio, la roya asiática y la mancha ojo de rana.Marco Teórico:Se basó en conceptos de aprendizaje profundo, aprendizaje automático y segmentación de instancias, utilizando las arquitecturas ResNet-50 y ResNet-101, dada la relevancia de la soja y los impactos causados por las enfermedades foliares.Método:Se utilizó inicialmente un conjunto de 525 imágenes, ampliado a 2.408 mediante técnicas de aumento de datos (redimensionamiento y rotación). El modelo integró redes de propuesta de región (RPN) y alineación de región de interés (RoIAlign) para mejorar la segmentación y clasificación de imágenes con enfermedades foliares. Para la evaluación del modelo, se utilizaron las métricas mAP, IoU y F1-Score.Resultados y Discusión:Los resultados revelaron que la arquitectura ResNet-101 mostró un mejor rendimiento en comparación con ResNet-50, alcanzando un 85% de precisión en la detección de enfermedades foliares en la soja. Este resultado refuerza la aplicabilidad de la inteligencia artificial en el diagnóstico temprano de enfermedades foliares en la agricultura, especialmente en el cultivo de soja.Implicaciones de la investigación:La investigación destaca la viabilidad de los modelos basados en aprendizaje profundo para la gestión agrícola. Estudios futuros pueden explorar métodos que eliminen la necesidad de anotaciones poligonales e integrar tecnologías como drones y dispositivos IoT para una mayor escalabilidad y eficiencia.Originalidad/Valor:La investigación combina aprendizaje profundo y aumento de datos artificial, ofreciendo avances significativos en la detección de enfermedades foliares e impulsando prácticas agrícolas innovadoras.