Toward Reliable Tea Leaf Disease Diagnosis Using Deep Learning Model: Enhancing Robustness With Explainable AI and Adversarial Training

A continuación presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Resumen Técnico: Diagnóstico Confiable de Enfermedades en Hojas de Té mediante Modelos de Aprendizaje Profundo

1. Planteamiento del Problema

El cultivo de té es un activo económico vital para Bangladesh, empleando a una gran parte de la población rural. Sin embargo, las plantaciones son vulnerables a diversas enfermedades foliares (como la mancha algálica, el tizón marrón, el tizón gris, Helopeltis, etc.) que reducen drásticamente el rendimiento y la calidad del cultivo.

• Limitaciones actuales: Los métodos tradicionales de diagnóstico dependen de la inspección visual manual por expertos, lo cual es subjetivo, consume mucho tiempo y es impracticable a gran escala.
• Desafíos técnicos: La detección automática enfrenta dificultades debido a la necesidad de generalización en condiciones del mundo real, la presencia de ruido en las imágenes y la falta de interpretabilidad en los modelos de "caja negra", lo que limita la confianza de los agricultores.

2. Metodología Propuesta

El estudio propone un pipeline integral de aprendizaje profundo diseñado para ser robusto, preciso y explicable. Se utilizó el conjunto de datos TeaLeafBD, que contiene 5,278 imágenes de alta resolución (1200x1600 píxeles) clasificadas en 7 categorías (6 enfermedades y hojas sanas).

El flujo de trabajo incluye:

• Preprocesamiento y Aumento de Datos: Las imágenes se redimensionaron a 224x224 píxeles. Se aplicaron técnicas de aumento (rotación, volteo, escalado) para mejorar la generalización y abordar desequilibrios en las clases.
• Arquitecturas de Modelos: Se compararon dos arquitecturas de redes neuronales convolucionales (CNN) avanzadas:
  • DenseNet201: Elegida por su capacidad de propagación de características y eficiencia en parámetros.
  • EfficientNetB3: Seleccionada por su escalado multi-dimensional (profundidad, ancho y resolución) y eficiencia computacional, ideal para aplicaciones móviles.
• Entrenamiento Adversarial: Para mejorar la robustez del modelo frente a entradas ruidosas o perturbadas, se implementó entrenamiento adversarial. Se probaron diferentes valores de intensidad de perturbación ($\epsilon$), encontrando que $\epsilon = 0.12$ ofreció el mejor equilibrio entre precisión y velocidad de convergencia.
• Inteligencia Artificial Explicable (XAI): Se utilizó Grad-CAM (Class Activation Mapping) para visualizar las regiones de la imagen que más influyeron en la predicción del modelo, garantizando transparencia y validando que el modelo se enfoca en las zonas afectadas por la enfermedad y no en artefactos de fondo.

3. Contribuciones Clave

• Robustez Mejorada: La integración de entrenamiento adversarial permite que el modelo mantenga un alto rendimiento incluso con datos de entrada degradados o ruidosos, un factor crítico para el uso en campo.
• Interpretabilidad: La aplicación de Grad-CAM no solo valida la precisión, sino que proporciona a los agricultores y expertos visuales la confianza de que el modelo está detectando características biológicas reales de la enfermedad.
• Comparativa Exhaustiva: Se evaluaron sistemáticamente DenseNet201 y EfficientNetB3, demostrando la superioridad de la arquitectura EfficientNet para este dominio específico.
• Dataset Balanceado: El uso de un conjunto de datos robusto con 5,278 imágenes cubriendo 7 clases específicas de enfermedades de té en Bangladesh, superando limitaciones de estudios anteriores con datasets más pequeños o menos diversos.

4. Resultados Experimentales

Los experimentos se dividieron en conjuntos de entrenamiento (70%), validación (20%) y prueba (10%).

• Rendimiento General:
  • EfficientNetB3: Logró la mayor precisión de clasificación con un 93.43% en el conjunto de prueba. Mostró una excelente generalización con una brecha mínima entre precisión de entrenamiento (98%) y prueba.
  • DenseNet201: Alcanzó una precisión del 91.10%. Aunque tuvo un rendimiento sólido, mostró una ligera sobreajuste (overfitting) en comparación con EfficientNetB3.
• Métricas por Clase:
  • EfficientNetB3 destacó especialmente en la detección de Green mirid bug (F1-score: 0.98) y Helopeltis (F1-score: 0.96).
  • DenseNet201 tuvo un rendimiento notable en hojas sanas (F1-score: 0.97).
• Entrenamiento Adversarial: La inclusión de ruido adversario con $\epsilon = 0.12$ mejoró la precisión de validación de EfficientNetB3 al 84.83% (frente al 81.9% sin ruido) y redujo significativamente los epocas necesarias para converger (de 88 a 39 épocas).
• Comparación con Estado del Arte: El modelo propuesto (EfficientNetB3 con 93%) superó a métodos anteriores reportados en la literatura, como SVM (92.59%), LeafNet (90.16%) y Xception (83.32%).

5. Significado e Impacto

Este estudio representa un avance significativo en la agricultura de precisión para el cultivo de té en Bangladesh y regiones similares.

• Aplicabilidad Práctica: La alta precisión y la eficiencia de EfficientNetB3 hacen viable su implementación en aplicaciones móviles o web para que agricultores y gestores de plantaciones realicen diagnósticos en tiempo real.
• Sostenibilidad Económica: Al permitir una detección temprana y precisa, el sistema ayuda a mitigar pérdidas de cosechas, mejorar la calidad del té y optimizar el uso de recursos agrícolas.
• Confianza del Usuario: La incorporación de XAI (Grad-CAM) es fundamental para la adopción tecnológica, ya que transforma el modelo de una "caja negra" a una herramienta de decisión transparente y verificable.

En conclusión, la investigación demuestra que la combinación de arquitecturas de deep learning avanzadas, técnicas de robustez adversarial y explicabilidad visual ofrece una solución escalable y efectiva para el manejo de enfermedades en cultivos de té.