Recognition of necrotic lesions for the detection of the thrips plague in peas using the deep learning model yolov4-tiny
Abstract
At present, the monitoring of crops in agricultural plots remains one of the most important tasks that precision agriculture has since through it is possible to perform the estimation of the yield and the prediction of crops. Due to the complicated atmospheric conditions and climatic factors that the sector presents, the early detection of pests and diseases has become a considerable challenge that producers must constantly assume. This research proposes a rapid and effective necrotic lesion recognition system for the early detection of the thrips infestation in peas by implementing the yolov4-tiny deep learning method. The results obtained by the developed system showed that the IoU (Intersection at the Union) is 59.23% for an mAP (Medium Precision) of 87.8% in a high-density data set. In addition, each of the values delivered by the system was compared with a prescribed diagnosis that was made by an expert in crop production through direct observations of the pea. In this way, it was established that the system is 80% effective.
Downloads
References
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].
This article is published by LAJC under a Creative Commons Attribution-Non-Commercial-Share-Alike 4.0 International License. This means that non-exclusive copyright is transferred to the National Polytechnic School. The Author (s) give their consent to the Editorial Committee to publish the article in the issue that best suits the interests of this Journal. Find out more in our Copyright Notice.
Disclaimer
LAJC in no event shall be liable for any direct, indirect, incidental, punitive, or consequential copyright infringement claims related to articles that have been submitted for evaluation, or published in any issue of this journal. Find out more in our Disclaimer Notice.
