Sistema para el diagnóstico de plagas de Solanum tuberosum L. mediante técnicas de inteligencia artificial
Barra lateral del artículo
Contenido principal del artículo
Resumen
Con el objetivo de detectar las plagas del cultivo de la papa, según imágenes de síntomas, se elaboró una plataforma web que facilita el diagnóstico del tizón temprano y tizón tardío a partir de imágenes de hojas afectadas. Se utilizó el lenguaje de programación Python, framework Flask, Bootstrap para los estilos de la plataforma, librerías necesarias y Pycharm, como entorno de desarrollo. El módulo de diagnóstico se implementó a partir de herramientas informáticas para el reconocimiento de imagen e inteligencia artificial, específicamente redes neuronales artificiales. El sistema incluye el registro de monitoreo de campo con las incidencias de plagas, de ahí, que permite incorporar nuevos datos y brindar información sobre el manejo, en correspondencia con la variabilidad del clima. Para validar el diagnóstico, se tomaron imágenes de síntomas confirmados por expertos. El modelo de redes neuronales empleado tuvo una precisión de 94,6 %. En trabajos futuros se incluirá la detección de virus, bacterias y otros hongos, a partir de imágenes. La herramienta es una aplicación novedosa y de gran utilidad en materia de seguridad agroalimentaria, ya que sirve de plataforma coordinada para los fitosanitarios y agricultores relacionados con el cultivo.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cual estará simultáneamente sujeto a la Licencia Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) que permite a terceros compartir la obra, siempre que se indique su autor y la primera publicación en esta revista. Bajo esta licencia el autor será libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y crear a partir del material
- El licenciador no puede revocar estas libertades mientras cumpla con los términos de la licencia
Bajo las siguientes condiciones:
- Reconocimiento — Debe reconocer adecuadamente la autoría, proporcionar un enlace a la licencia e indicar si se han realizado cambios. Puede hacerlo de cualquier manera razonable, pero no de una manera que sugiera que tiene el apoyo del licenciador o lo recibe por el uso que hace.
- NoComercial — No puede utilizar el material para una finalidad comercial.
- No hay restricciones adicionales — No puede aplicar términos legales o medidas tecnológicas que legalmente restrinjan realizar aquello que la licencia permite.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
Citas
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
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.
Ferro-Díaz J. Manual revisado de métodos útiles en el muestreo y análisis de la vegetación. Revista ECOVIDA. 2015;5(1):139–86.
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
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
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
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
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
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
MsALS P, MsLLS P, Cabascango ASC. Diagnóstico inteligente de enfermedades y plagas en plantas ornamentales. Holopraxis. 2019;3(2):134–48.
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
Lutz M. Programming Python [Internet]. O’Reilly Media, Inc.; 2001. Available from: https://www.goodreads.com/book/show/80436.Programming_Python
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
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/
Ketkar N. Introduction to Keras. In: Deep Learning with Python. Berkeley, CA: Apress; 2017. DOI: 10.1007/978-1-4842-2766-4_7
Goldsborough P. A Tour of TensorFlow. ArXiv [Internet]. 2016 [cited 2024 Feb 23];1610.01178. Available from: http://arxiv.org/abs/1610.01178
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.
PlantVillage. [cited 2022 Nov 2]; Available from: https://plantvillage.psu.edu/
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
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
Science, health and medical journals, full text articles and books. ScienceDirect.com [Internet]. 2022 [cited 2022 Nov 30]; Available from: https://www.sciencedirect.com/
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
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
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
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
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
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