Reconocimiento de lesiones necróticas para la detección de la plaga thrips en el guisante mediante el uso del modelo deep learning yolov4 tiny
Palabras clave:
Lesiones Necróticas, Plaga Thrips, Deep Learning, Yolov4-TinyResumen
En la actualidad, el seguimiento de cultivos en las parcelas agrícolas sigue siendo una de las tareas más trascendentales que tiene la agricultura de precisión, ya que por medio de esta se puede efectuar la estimación del rendimiento y la predicción de cosechas. Debido a las complicadas condiciones atmosféricas y factores climáticos que presenta el sector, la detección temprana de plagas y enfermedades se ha convertido en un desafío considerable que los productores deben asumir de manera constante. Esta investigación propone un sistema de reconocimiento rápido y eficaz de lesiones necróticas para la detección temprana de la plaga thrips en el guisante mediante la implementación del método de deep learning yolov4-tiny. Los resultados alcanzados por el sistema desarrollado mostraron que la IoU (Intersección sobre la Unión) es de 59,23% para una mAP (Precisión Media) de 87,8% sobre un conjunto de datos de alta densidad. Además, cada uno de los valores entregados por el sistema fueron comparados con un diagnóstico prescrito que fue realizado por un experto en la producción del cultivo a través de observaciones directas al guisante. De esta manera, se llegó a establecer que el sistema tiene una efectividad del 80%.
Descargas
Referencias
CEPAL, «Perspectivas de la agricultura y del desarrollo rural en las Américas: una mirada hacia América Latina y el Caribe 2019-2020,» 02 2020. [En línea].Disponible:https://bit.ly/3sC9vZw. [Último acceso: 02 06 2021].
CGSPACE, «Retos del Cambio Climático para la Agricultura en América Latina y el Caribe,» 11 2018. [En línea]. Disponible: https://cgspace.cgiar.org/rest/bitstreams/160740/retrieve. [Último acceso: 06 06 2021].
D. R. Prado Jiménez, «Identificación de las principales plagas del cultivo de arveja (Pisum sativum L.)en la comunidad de Canchaguano, cantón Montúfar, provincia del Carchi,» 2019. [En línea]. Disponible: https://bit.ly/360BKcJ. [Último acceso: 08 06 2021].
R. Bereinsten y Y. Edan, «Automatic Adjustable Spraying Device for Site-Specific Agricultural Application,» 02 03 2017. [En línea]. Disponible: https://ieeexplore.ieee.org/document/7869323. [Último acceso: 08 06 2021].
Secretaría Técnica Planificación Ecuador, «Plan Nacional de Desarrollo 2017-2021,» 2017. [En línea]. Disponible: https://www.planificacion.gob.ec/wp-content/uploads/downloads/2017/10/PNBV-26-OCT-FINAL_0K.compressed1.pdf. [Último acceso: 07 06 2021].
MAGAP, «Boletin Situacional - Arveja 2017,» 13 11 2018. [En línea]. Disponible: https://fliphtml5.com/ijia/dkgk/basic. [Último acceso: 09 06 2021].
A. Angulo Pérez, «Identificación de las principales plagas yenfermedades en el cultivo de arveja (Pisum sativum), parroquia Bolívar, cantón Bolívar, Provincia del Carchi,» 2019. [En línea]. Disponible: http://dspace.utb.edu.ec/bitstream/handle/49000/6395/E-UTB-FACIAG-ING%20AGRON-000152.pdf?sequence=1&isAllowed=y. [Último acceso: 12 06 2021].
C. G. Delgado Chamorro, «Efecto del ácido acetilsalicílico para activación de defensas en el cultivo de arveja (Pisum sativum),en el sector de Chapués, cantón Tulcán, Carchi –Ecuador,» 2014. [En línea]. Disponible: https://n9.cl/ifz7y. [Último acceso: 10 06 2021].
E. J. Tirira Tirira , «Estudio de factibilidad de un centro de acopio para la comercialización de arveja tierna (pisum sativum) en la provincia del Carchi,» 03 2018. [En línea]. Disponoble: https://bit.ly/3LvOhFA. [Último acceso: 10 06 2021].
GADM-Bolívar, «PLAN DE DESARROLLO Y ORDENAMIENTO TERRITORIAL DEL CANTÓN BOLÍVAR,» 20 04 2015. [En línea]. Disponible: https://bit.ly/3gCIUWP. [Último acceso: 10 06 2021].
R. Dalai y K. Kumar Senapati, «An Intelligent Vision based Pest Detection System Using RCNN based Deep Learning Mechanism,» 13 02 2020. [En línea]. Disponoble: https://ieeexplore.ieee.org/document/8995072. [Último acceso: 23 11 2021].
Y. Ai, C. Sun, J. Tie y X. Cai, «Research on Recognition Model of Crop Diseases and Insect Pests Based on Deep Learning in Harsh Environments,» 21 09 2020. [En línea]. Disponible: https://ieeexplore.ieee.org/document/9201298. [Último acceso: 23 11 2021]
H. Kuzuhara, H. Takimoto, Y. Sato y A. Kanagawa, «Insect Pest Detection and Identification Method Based on Deep Learning for Realizing a Pest Control System,» 02 11 2020. [En línea]. Disponible: https://ieeexplore.ieee.org/document/9240458. [Último acceso: 23 11 2021].
C.-J. Chen, Y.-Y. Huang, Y.-S. Li, Y.-C. Chen, C.-Y. Chang y Y.-M. Huang, «Identification of Fruit Tree Pests With Deep Learning on Embedded Drone to Achieve Accurate Pesticide Spraying,» 21 02 2021. [En línea]. Disponoble: https://ieeexplore.ieee.org/document/9343827. [Último acceso: 23 11 2021].
A. S. Chakravarthy y S. Raman, «Early Blight Identification in Tomato Leaves using Deep Learning,» 27 04 2020. [En línea]. Disponible: https://ieeexplore.ieee.org/abstract/document/9077010/authors#authors. [Último acceso: 23 11 2021].
K. Li, J. Zhu y N. Li, «Insect Detection and Counting Based on YOLOv3 Model,» 16 06 2021. [En línea].Disponible: https://ieeexplore.ieee.org/document/9450898. [Último acceso: 23 11 2021].
C. E. Toledo Perdomo y H. A. Sagastume Mena, «Diversidad de los tisanopteros (Insecta: Thysanoptera) presenta en el cultivo de arveja china (Pisum sativum L.), Santa Apolonia, Guatemala,» 06 2018. [En línea]. Disponible: http://www.revistaespirales.com/index.php/es/article/view/238/224. [Último acceso: 12 06 2021].
O. A. Zavala Salas, «Detección simultánea, por medio de CNN, de multiples robots NAO dentro de un campo de fútbol con apliación a RoboCup,» 02 2020. [En línea]. Disponible: http://repositorio.utm.mx/bitstream/123456789/303/1/2020-MR-OAZS.pdf. [Último acceso: 14 06 2021].
Aprende Machine Learning, «Modelos de Detección de Objetos,» 21 11 2020. [En línea]. Available: https://www.aprendemachinelearning.com/modelos-de-deteccion-de-objetos/. [Último acceso: 15 06 2021].
D. Sanz Cabreros, «Desarrollo e implementación IoT de un sistema de reconocimiento de imágenes a nivel industrial,» 17 02 2019. [En línea]. Disponible: Desarrollo e implementación IoT de un sistema de reconocimiento de imágenes a nivel industrial. [Último acceso: 13 06 2021].
viso.ai, «YOLOv3: Algoritmo de detección de objetos en tiempo real (¿Qué hay de nuevo,» 25 02 2021. [En línea]. Disponible: https://viso.ai/deep-learning/yolov3-overview/. [Último acceso: 15 06 2021].
R. Ruz Gómez y A. Simón Rodríguez, «Evaluación de algoritmos de Machine Learning para la conducción,» 2020. [En línea]. Disponible: https://bit.ly/3gGZsNb. [Último acceso: 14 06 2021].
ResearchGate, «Estructura general de Yolov4,» www.researchgate.net, 08 2021. [En línea]. Disponible: https://www.researchgate.net/figure/Overall-structure-of -YOLOv4-including-CSPDarknet-backbone-SPPnet-PANet-and-3-YOLO_fig2_344919620. [Último acceso: 25 08 2021].
B. Gong, D. Ergu , Y. Cai y B. Ma, «A Method for Wheat Head Detection Based on Yolov4,» 07 10 2020. [En línea]. Disponible: https://assets.researchsquare.com/files/rs-86158/v1_covered.pdf?c=1631843117. [Último acceso: 24 11 2021].
L. Heinsius, «Real-Time YOLOv4 FPGA Design with Catapult High-Level Synthesis,» 18 06 2021. [En línea]. Disponible: http://essay.utwente.nl/86465/1/Heinsius_MA_EEMCS.pdf. [Último acceso: 24 11 2021].
Publicado
Número
Sección
Licencia
Aviso de derechos de autor/a
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la Creative Commons Attribution-Non-Commercial-Share-Alike 4.0 International, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores a compartir su trabajo en línea (por ejemplo: en repositorios institucionales o páginas web personales) antes y durante el proceso de envío del manuscrito, ya que puede conducir a intercambios productivos, a una mayor y más rápida citación del trabajo publicado.
Descargo de Responsabilidad
LAJC en ningún caso será responsable de cualquier reclamo directo, indirecto, incidental, punitivo o consecuente de infracción de derechos de autor relacionado con artículos que han sido presentados para evaluación o publicados en cualquier número de esta revista. Más Información en nuestro Aviso de Descargo de Responsabilidad.
