Cómo la IA y los datos adaptativos elevan al 98% la precisión en la detección de enfermedades del betel en Bangladesh

Daca, Bangladesh, Fuente:

La hoja de betel es fundamental para la medicina tradicional y los medios de vida rurales en Asia del Sur y el Sudeste Asiático. Sin embargo, este cultivo esencial enfrenta amenazas constantes por enfermedades recurrentes como la pudrición y las manchas foliares. Estos patógenos causan pérdidas significativas en la producción y daños económicos, afectando especialmente a los pequeños agricultores en Bangladesh. Aunque el aprendizaje profundo ofrece una vía prometedora para la detección automatizada de enfermedades, su aplicación práctica suele encontrar obstáculos debido a la escasez de datos de entrenamiento y al desequilibrio entre clases.

Los métodos manuales tradicionales siguen siendo intensivos en mano de obra y subjetivos. Esta dependencia de la observación humana frecuentemente lleva a diagnósticos tardíos y a aplicaciones inconsistentes de pesticidas. Los intentos previos con aprendizaje profundo lucharon con conjuntos de datos pequeños. Muchos de estos modelos anteriores usaron técnicas fijas de aumento que no se adaptaban al rendimiento del modelo durante el entrenamiento. Este nuevo enfoque redefine la selección de políticas de aumento como un problema de multi-armed bandit. Un controlador UCB selecciona dinámicamente entre diferentes magnitudes de RandAugment y activaciones Mixup basándose en el rendimiento de validación. Esta estrategia equilibra la exploración y la explotación para identificar la estrategia de transformación de datos más efectiva.

El estudio emplea un protocolo estricto donde solo se usan imágenes originales para dividir el conjunto de datos. Este método evita la filtración de datos que puede inflar artificialmente las métricas de rendimiento. Se eligió el backbone ConvNeXt-Tiny por su eficiencia y precisión. Se comparó con otros modelos incluyendo ResNet, DenseNet y EfficientNet. Los resultados indican que ConvNeXt-Tiny con aumento guiado por UCB de 12 brazos alcanzó una impresionante precisión del 98.04%. El puntaje macro-F1 llegó al 97.87%. Este rendimiento supera significativamente a los métodos de aumento fijo y a otros backbones.

La investigación también demostró robustez ante un creciente desequilibrio de clases. El modelo mantuvo un alto rendimiento incluso cuando se redujeron las muestras de la clase minoritaria. Al integrar técnicas de IA explicable como Grad-CAM, el modelo proporciona evidencia visual de que se centra en características relevantes de la hoja en lugar de artefactos del fondo. Este marco mejora la precisión diagnóstica mientras ofrece una solución escalable y eficiente para entornos agrícolas con recursos limitados. Abre el camino hacia prácticas agrícolas más inteligentes y resilientes mediante inteligencia artificial avanzada.