INTRODUCCIÓN
⌅La papa (Solanum tuberosum L.) es el cuarto cultivo más importante en el mundo después del trigo, maíz y arroz, debido a las excelentes propiedades del tubérculo y a su facilidad de crecimiento. Se trata de un alimento muy demandado por la población cubana, que destaca por su contenido de almidón, vitaminas, proteínas y varios minerales, de ahí que su cultivo es gran importancia para la alimentación (11. MINAG. Instructivo Técnico para la Producción de Papa en Cuba [Internet]. Cuba: MINAG; 2023 [cited 2023 Dec 5]. Available from: https://docplayer.es/190871887-Instructivo-tecnico-para-la-produccion-de-papa-en-cuba.html).
En la región subtropical se describieron unas 27 plagas comunes en este tipo de cultivo (22. Pérez W, Forbes G. Guía de identificación de plagas que afectan a la papa en la zona andina. Perú: Centro Internacional de la Papa (CIP); 2011.). En los campos cubanos las que más alarman son el tizón tardío (Phytophthora infestans (Mont.) de Bary) y el tizón temprano (Alternaria solani Sorauer). Hasta el presente, en Cuba, el investigador experto es quien realiza el diagnóstico de ambas plagas a través de muestreos de campo. Este puede decidir, a partir de los síntomas identificados, si está presente el tizón temprano o tardío en el cultivo. Si el muestreo es realizado por agricultores o técnicos no especializados, e incluso, ante la duda de un experto, las muestras se trasladan a los laboratorios del Sistema de Sanidad Vegetal o de centros de investigación para aislar el hongo y caracterizarlo. Estos resultados no quedan registrados en una base de información automatizada, lo que limita su posterior uso como fuente de información en otras investigaciones. Lo más conveniente sería contar con bases de datos de síntomas, ya verificados, a fin de diagnosticar la plaga en nuevas imágenes (33. Ferro-Díaz J. Manual revisado de métodos útiles en el muestreo y análisis de la vegetación. Revista ECOVIDA. 2015;5(1):139–86.).
Para satisfacer objetivos como este, la comunidad científica realiza investigaciones basadas en el Aprendizaje Automático (ML en sus siglas en inglés) como estrategia avanzada, la cual tiene un crecimiento vertiginoso en la última década (44. Brock J, Lange M, Tratalos JA, More SJ, Graham DA, Guelbenzu-Gonzalo M, et al. Combining expert knowledge and machine-learning to classify herd types in livestock systems. Sci Rep. 2021;11(1):2989. DOI: 10.1038/s41598-021-82373-3, 55. Ezanno P, Picault S, Beaunée G, Bailly X, Muñoz F, Duboz R, et al. Research perspectives on animal health in the era of artificial intelligence. Veterinary Research. 2021;52(1):1–15. DOI: 10.1186/s13567-021-00902-4, 66. Grimmer J, Roberts ME, Stewart BM. Machine Learning for Social Science: An Agnostic Approach. Annu Rev Polit Sci. 2021;24(1):395–419. DOI: 10.1146/annurev-polisci-053119-015921). La importancia de su uso se sustenta en la factibilidad de las soluciones obtenidas y la rapidez para encontrar las mismas. Dentro de las técnicas del ML, se encuentran las Redes Neuronales Artificiales (RNA), método de múltiples ventajas y de gran utilidad para la ciencia y la sociedad en general. Las RNA o sistemas conexionistas se basan en las redes neuronales biológicas y tienen la capacidad de ser entrenadas para tareas específicas, como la clasificación automática de imágenes (77. Cuesta Tenorio J. Sistema de detección automático de placas de matrícula en tiempo real [Máster Universitario en Análisis de Datos Masivos (Big Data) internet]. Universidad Europea; 2021. Available from: http://hdl.handle.net/20.500.12880/772, 88. Galindo EA, Perdomo JA, Figueroa-García JC. Estudio comparativo entre máquinas de soporte vectorial multiclase, redes neuronales artificiales y sistema de inferencia neuro-difuso auto organizado para problemas de clasificación. Información tecnológica. 2020;31(1):273–86. DOI: 10.4067/S0718-07642020000100273).
En este sentido, autores como Berra et al. (99. Berra V, Pérez C, Cuatle P. Redes neuronales artificiales para la detección de plagas en cultivo de jitomate bajo invernadero. CIM [Internet]. 2019;7(1). Available from: https://zenodo.org/record/4426972/files/SC22.pdf) y Pillajo et al. (1010. MsALS P, MsLLS P, Cabascango ASC. Diagnóstico inteligente de enfermedades y plagas en plantas ornamentales. Holopraxis. 2019;3(2):134–48.) utilizaron métodos de RNA para diagnosticar plagas en cultivos mediante el procesamiento de imágenes. Para ello almacenaron la información en bases de datos externas. Sin embargo, hay que considerar que, en Cuba, el acceso limitado a Internet dificulta la disponibilidad a soluciones internacionales.
La empresa GeoCuba, a partir de fotos satelitales, drones y técnicas de ML identifica las afectaciones en cultivos como caña de azúcar (Saccharum officinarum L. ) también con limitantes, pues esto requiere de herramientas avanzadas para capturar las imágenes en tiempo real, así como de plataformas con altas prestaciones de cómputo (1111. Hernández R. La Agricultura de Precisión. Una necesidad actual. Revista Ingeniería Agrícola [Internet]. 2021;11(1). Available from: https://revistas.unah.edu.cu/index.php/IAgric/article/view/1347). Además, la distancia a la que se toman las imágenes, puede atentar contra la eficiencia del diagnóstico. Lo ideal, es tomar imágenes directamente de la hoja en los cultivos que se monitorean con regularidad, para así identificar con precisión los síntomas de una plaga, y establecer de esa manera un adecuado diagnóstico.
Dada la necesidad de un soporte electrónico para el diagnóstico temprano de las plagas en los campos de papa de Cuba, el presente trabajo tuvo como objetivo desarrollar un sistema web para el registro de plagas en papa y la identificación del tizón tardío y tizón temprano mediante el procesamiento de imágenes.
MATERIALES Y MÉTODOS
⌅Para el desarrollo de la aplicación web, se utilizó el lenguaje de programación Python (1212. Lutz M. Programming Python [Internet]. O’Reilly Media, Inc.; 2001. Available from: https://www.goodreads.com/book/show/80436.Programming_Python) y el intérprete de Python (v.3.9) los framework Flask (v. 2.2.2)(1313. Mufid MR, Basofi A, Al Rasyid MUH, Rochimansyah IF, Rokhim A. Design an MVC Model using Python for Flask Framework Development. In: 2019 International Electronics Symposium (IES). Surabaya, Indonesia: IEEE; 2019. DOI: 10.1109/ELECSYM.2019.8901656) Bootstrap (v. 3.3.7.1) y librerías asociadas.
Para el procesamiento de imágenes, se utilizó la plataforma Anaconda Navigator (v. 2.1.4)(1414. Rondón I. ¿Qué es Anaconda? - Escuela Internacional de Posgrados. Eiposgrados [Internet]. 2022 [cited 2022 Nov 2]; Available from: https://eiposgrados.com/blog-python/que-es-anaconda/) y el IDE Spyder (v.5.1.5). Las librerías tensorflow (v.2.10.1), keras (v.1.1.2) y matplotlib (v.3.6.1) fundamentalmente (1515. Ketkar N. Introduction to Keras. In: Deep Learning with Python. Berkeley, CA: Apress; 2017. DOI: 10.1007/978-1-4842-2766-4_7, 1616. Goldsborough P. A Tour of TensorFlow. ArXiv [Internet]. 2016 [cited 2024 Feb 23];1610.01178. Available from: http://arxiv.org/abs/1610.01178).
Como algoritmo matemático, se utilizó las RNA Convulacionales (CNN en sus siglas en inglés) (1717. Massiris M, Delrieux C, Fernández Muñoz J. Detección de equipos de protección personal mediante red neuronal convolucional YOLO. In: XXXIX Jornadas de Automática. España: Área de Ingeniería de Sistemas y Automática, Universidad de Extremadura; 2018. p. 1022–9.) y para el conjunto de datos, se procesaron 1000 imágenes de cada categoría (tizón tardío, tizón temprano y sano) obtenidas del dataset PlantVillage (1818. PlantVillage. [cited 2022 Nov 2]; Available from: https://plantvillage.psu.edu/). Para el entrenamiento de la red, se utilizó el 80 % de las imágenes, 10 % para la validación y 10 % para la prueba.
Como métrica de evaluación del modelo, se utilizó el nivel de exactitud y la validación de las pérdidas.
Como sistema gestor de base de datos relacional, se utilizó PostgreSQL (v. 9.5) (1919. Makris A, Tserpes K, Spiliopoulos G, Zissis D, Anagnostopoulos D. MongoDB Vs PostgreSQL: A comparative study on performance aspects. Geoinformatica. 2021;25(2):243–68. DOI: 10.1007/s10707-020-00407-w). Para la gestión y administración de datos, se trabajó con el PgAdmin3.
Para la obtención de la información sobre las características de cada una de las plagas, se consultaron las bases de datos internacionales AGRIS (2020. AGRIS, sistema internacional para la información y tecnología agrícola. datos.gob.es [Internet]. [cited 2022 Nov 30]; Available from: https://datos.gob.es/es/noticia/agris-sistema-internacional-para-la-informacion-y-tecnologia-agricola) y ScienceDirect (2121. Science, health and medical journals, full text articles and books. ScienceDirect.com [Internet]. 2022 [cited 2022 Nov 30]; Available from: https://www.sciencedirect.com/), así como información disponible en Internet, a través del motor de búsqueda Google Académico.
Para la validación del sistema, se seleccionaron especialistas y técnicos de la dirección de Sanidad Vegetal, en el CENSA. Los usuarios accedieron a la aplicación web, al estar desplegada en modo prueba, en el servidor del centro. Posteriormente, se aplicó una encuesta para medir el grado de aceptación del sistema y su efectividad en el diagnóstico. La encuesta incluyó nueve preguntas a ser evaluadas en una escala del 1 al 5. Para la evaluación de la clasificación del tizón tardío y tizón temprano, los usuarios utilizaron imágenes propias, tomadas de los muestreos de campos realizados por los expertos de la dirección de Sanidad Vegetal, en el CENSA.
RESULTADOS Y DISCUSIÓN
⌅El Sistema web tiene una interfaz principal que permite acceso a información sobre 23 de las plagas presentes en S. tuberosum. También, incluye información sobre los desarrolladores y el contacto del personal de sanidad vegetal, encargado de proporcionar datos adicionales, en caso de que el usuario lo requiera (Fig. 1).
Por cada plaga, se registra una imagen, nombre común, nombre científico, patógeno, sintomatología, epidemiología, tácticas para el manejo y alguna observación que el experto decida incorporar. Esta funcionalidad tiene la opción de añadir una nueva plaga, editar, eliminar o consultar información (Fig. 2). También, se incorpora un hipervínculo a bibliotecas digitales para acceder a artículos científicos sobre el manejo de estas plagas, así como el instructivo técnico del cultivo vigente para Cuba.
Para facilitar el registro de los muestreos de campo, se desarrolló también, una funcionalidad que cubre las incidencias encontradas por los expertos. Se registra el nombre del experto, la fecha del muestreo, si encontró plagas o no, y cuál sería ésta en caso positivo; además la latitud y longitud si la conoce (Fig. 3). En el campo: “gestionar plaga” el sistema posibilita insertar, editar, eliminar y consultar la información correspondiente. En este sentido, el sistema incluye datos de los monitoreos realizados en regiones paperas de Mayabeque, a fin de conservar datos históricos de la situación del cultivo y el posterior análisis de pronóstico y toma de decisiones.
Desde el sistema, el usuario selecciona la imagen que desea clasificar y, una vez presionado el botón “Clasificar”, el programa determina qué porcentaje de probabilidad corresponde al tizón tardío, tizón temprano y/o si la planta está sana (Fig. 4). Este modelo arrojó un nivel de exactitud del 94,6 %.
La precisión obtenida en el presente estudio para la clasificación de plagas, no difiere de manera significativa, de los encontrados en la literatura para el tratamiento de imágenes, Lozada (2222. Lozada-Portilla W, Suarez-Barón M, Avendaño-Fernández E. Aplicación de redes neuronales convolucionales para la detección del tizón tardío Phytophthora infestans en papa Solanum tuberosum. Revista UDCA Actualidad & Divulgación Científica. 2021;24(2). DOI: 10.31910/rudca.v24.n2.2021.1917) con un 91 %, Artola (2323. Artola Moreno Á. Clasificación de imágenes usando redes neuronales convolucionales en Python [Master’s Thesis]. España: Universidad de Sevilla; 2019. Available from: https://idus.us.es/handle/11441/89506) con un 92 %, Militante et al. (2424. Militante S, Gerardo B, Dionisio N. Plant Leaf Detection and Disease Recognition using Deep Learning. In: 2019 IEEE Eurasia Conference on IOT, Communication and Engineering (ECICE). 2019. DOI: 10.1109/ECICE47484.2019.8942686) con un 96,5 % y Fuentes (2525. Fuentes Plaza F. Visión por computadora para el manejo de plagas y enfermedades en cultivos de papa [Tesis para optar al grado de Magíster en Ingeniería Industrial]. Chile: Universidad de Concepción; 2021 [cited 2023 Jun 5]. Available from: http://repositorio.udec.cl/jspui/handle/11594/6716) con un 98,44 %. El resultado alcanzado podría ser más efectivo si, para el entrenamiento, se hubieran utilizado imágenes propias, pues las imágenes del dataset PlantVillage son tomadas en entornos controlados, y dado el entrenamiento de las redes, podría generar modelos deficientes bajo condiciones reales (2626. Pereyra M. Detección de enfermedades y plagas en cultivos mediante Machine Learning [Master’s Thesis]. Argentina: Universidad Nacional de La Plata; 2020. Available from: http://sedici.unlp.edu.ar/handle/10915/118496).
La encuesta realizada a los usuarios arrojó un grado de aceptación de 4,3 puntos de 5, resultado que demuestra su utilidad en la toma de decisiones.
Una investigación similar realizaron Campos et al. (2727. Campos C, Arribillaga García D, Chacón Cruz G, Uribe Cifuentes H, Acuña Bravo I. Descripción y usos de la Red de Agrometeorología INIA [Internet]. Colombia: INIA; 2019 [cited 2021 Jul 15]. Available from: http://bibliotecadigital.ciren.cl//handle/123456789/29317) quienes desarrollaron una herramienta web en línea para el diagnóstico remoto de plagas, mediante la cual y dada una imagen del tubérculo, se identifica a qué plaga pertenece. No obstante, el diagnóstico no se realiza de manera automática, sino que las muestras se analizan por un grupo de expertos, lo cual difiere con el concepto de este trabajo.
El sistema desarrollado es una plataforma web cubana, que busca centralizar la información nacional relacionada con las incidencias de las plagas en papa. En medio de un entorno con bajas prestaciones, se nutre de tecnologías novedosas que se sustentan el mundo científico actual. Su utilidad, como plataforma de diagnóstico, radica en el hecho de que facilita la clasificación del tizón tardío y el tizón temprano de la papa. En trabajos futuros, se incorporará el diagnóstico de otras plagas presentes en el cultivo, así como las bases de datos correspondientes al monitoreo de insectos vectores.