Revista ELECTRO
Vol. 46 – Año 2024
Artículo
TÍTULO
Prototipo para la Detección de Araña Cristalina en Cultivos de Aguacate Aplicando Redes Neuronales
AUTORES
García-Palomera, J.; Verduzco-Ramírez, J.A.; Barrios-Hernández, C.J.; García-Virgen, J.; Morán-López, L.E.
RESUMEN
México es el principal productor de aguacate, aportando el 46% de las exportaciones globales. Sin embargo, el cultivo está expuesto a plagas y enfermedades, como la araña cristalina (Oligonychus perseae), que interfiere con la fotosíntesis y debilita el follaje, exponiendo los frutos a condiciones adversas. La detección oportuna de esta plaga es crucial para controlar su propagación y sus efectos. Las inspecciones visuales realizadas por personal son costosas, laboriosas y propensas a errores. Este trabajo propone un prototipo para detectar la araña cristalina utilizando el modelo de redes neuronales preentrenado YOLOv5. Para su implementación, se aplicó un proceso organizado en fases de adquisición de imágenes, preprocesamiento, entrenamiento y evaluación de resultados. Los resultados muestran una exactitud del 93% en la clasificación de este patógeno. Además, se implementó una interfaz web para facilitar su uso, permitiendo al productor la visualización, clasificación y manejo de imágenes directamente en el predio de cultivo.
Palabras Clave: Aguacate, Araña Cristalina, Procesamiento de imágenes, YOLOv 5
ABSTRACT
Mexico is the main producer of avocado, contributing with 46% of global exports. However, the crops are exposed to pests and diseases, such as the so called persea mite ( Oligonychus perseae ), this mite interferes with photosynthesis and weakens the foliage, exposing the fruits to adverse conditions. Early detection of this pest is crucial to control its spread and effects. Visual inspections performed by personnel are costly, laborious, and prone to errors. This work proposes a prototype to detect the persea mite using the pre-trained YOLOv5 neural network model. For this implementation, the process was organized in several phases: image acquisition, preprocessing, model training and evaluation of results. The results show an accuracy of 93% in classifying this pathogen. Additionally, a web interface was implemented to facilitate its use, allowing the producer to visualize, classify, and manage images directly in the field.
Keywords: Avocado, Persea-Mite, Image Processing, YOLOv5
CONTENIDO
REFERENCIAS
[1] Secretaría de Agricultura, Ganadería, Desarrollo Rural, Pesca y Alimentación. (2017). Planeación Agrícola Nacional 2017-2030. Accedido: 6 de octubre de 2023. [En línea]. Disponible en: https://www.gob.mx/agricultura/documentos/planeacion-agricola-nacional-2017-2030?state=published.
[2] Servicio de Información Agroalimentaria y Pesquera. (2023). Producción Agrícola Nacional. Accedido: 4 de septiem bre de 2023. [En línea]. Disponible en: https://www.gob.mx/siap/acciones-y-programas/produccion-agricola-33119.
[3] Redmon, J., Divvala, S., Girshick, R., Farhadi, A. (2015). You Only Look Once: Unified, Real-Time Object Detection. Accedido: 23 de septiembre de 2023. [En línea]. Disponible en: https://arxiv.org/abs/1506.02640.
[4] K. Lagos, "Sistema de ayuda a la decisión basado en ontologías para el diagnóstico y prevención de las enfermedades en cultivos," Tesis doctoral, Escuela Internacional de Doctorado, Univ ersidad de Murcia, España, 2020. https://digitum.um.es/digitum/bitstream/10201/94672/1/TesisKattyLagosOrtiz.pdf.
[5] Y. Medina Carbó, C. M. Alonso Echevarría, y I. Reinoso Castillo, "Sistema inteligente para el diagnóstico de plagas y enfermedades en el cultivo del arroz," Didáctica y Educación, vol. 12, no. 4, pp. 141-155, 2021. https://revistas.ult.edu.cu/index.php/didascalia/article/view/1210.
[6] R. Cueto Morelo, J. Atencio Flórez, y J. E. Gómez Gómez, "Sistema de identificación de enfermedades y plagas en e l cultivo de sandía," REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA., vol. 2, no. 42, pp. 93-104, 2023. https://doi.org/10.24054/rcta.v2i42.2674.
[7] M. C. Villasana-Montes, E. Hernández-Rojas, R. L. Palomino-Reséndiz, K. F. Maya-Gress, y S. I. Palomino-Reséndiz, "Diseño de sistema de monitoreo para detección temprana de enfermedades y plagas superficiales en plantas mediante visión artificial," Pädi Boletín Científico De Ciencias Básicas E Ingenierías Del ICBI, vol. 11, pp. 221-230, 20 23. https://doi.org/10.29057/icbi.v11iEspecial4.11369.
[8] A. Doshi, B. Patel, y K. Patel, "Sistema de monitoreo basado en IoT para la detección de plagas en cultivos de invernadero," Revis ta Internacional de Innovación en Ciencias y Tecnologías de la Computación, vol. 14, no. 6, pp. 298-305, 2022. https://doi.org/10.1007/s13198-022-01561-w.
[9] M. Orozco-Ayala, J. L. Martínez-Sánch ez, y L. J. Barrera-Rodríguez, "Redes neuronales profundas para la clasificación de enfermedades en cultivos de café utilizando imágenes de drones," Revista Latinoamericana de Tecnología Agrícola, vol. 23, no. 2, pp. 178-190, 2023. https://doi.org/10.18385/rlta.2023.2.6.
[10] J. H. Camacho-Muñoz, R. Castillo-Paredes, y D. L. Hernández-Gómez, "Sistema basado en inteligencia artificial para la detección de enfermedades en hojas de tomate," Revista Iberoa mericana de Computación, vol. 16, no. 3, pp. 341-356, 2022. https://doi.org/10.5565/rev/ribc.158.
[11] L. Pérez-González, P. Sánchez-Peña, y C. Vargas-Arias, "Aplicación móvil para la detección automática de plagas en cultivos de maíz mediante procesamiento de imágenes," Agronomía y Desarrollo Sostenible, vol. 9, no. 4, pp. 265-280, 2023. https://doi.org/10.2307/agrdev2023
[12] J. H. Camacho-Muñoz, R. Castillo-Paredes, y D. L. Hernández-Gómez, "Sistema basado en inteligencia artificial para la detección de enfermedades en hojas de tomate," Revista Iberoamericana de Computación, vol. 16, no. 3, pp. 341-356, 2022. https://doi.org/10.5565/rev/ribc.158.
[13] Roboflow. (s.f). Accedido: 18 de septiembre de 2023. [En línea]. Disponible en: https://roboflow.com.
[14] Anaconda, Inc., (s.f). Accedido: 2 de octubre de 2023. [En línea]. Disponible en: https://www.anaconda.com/products/distribution.
CITAR COMO:
García-Palomera, J.; Verduzco-Ramírez, J.A.; Barrios-Hernández, C.J.; García-Virgen, J.; Morán-López, L.E., "Prototipo para la Detección de Araña Cristalina en Cultivos de Aguacate Aplicando Redes Neuronales", Revista ELECTRO, Vol. 46, 2024, pp. 49-54.
VERSIÓN PDF