Palabras clave
convolutional neural network
deep learning
peaches
rust fungus
Peach leaf curl fungus aprendizaje profundo
durazno
redes neuronales convolucionales
roya
torque Roya
Torque
Redes Neuronais Convolucionais
Pêssego
Aprendizagem Profunda
deep learning
peaches
rust fungus
Peach leaf curl fungus aprendizaje profundo
durazno
redes neuronales convolucionales
roya
torque Roya
Torque
Redes Neuronais Convolucionais
Pêssego
Aprendizagem Profunda
Cómo citar
Lara-Rodríguez, L. D., López-Meléndez, E., & Castellanos-Corzo, A. L. (2023). Comparación de redes neuronales convolucionales (RNC) para la detección de plagas en el cultivo del durazno en departamento Norte de Santander, Colombia. Informador Técnico, 87(2), 150–164. https://doi.org/10.23850/22565035.5805
Resumen
La agricultura de precisión, con el propósito de acrecentar los rendimientos de los cultivos y proteger el medio ambiente circundante, emplea productos destinados a su protección. Dicha medida busca prevenir la aparición de plagas y enfermedades que causan pérdidas económicas o complicaciones de naturaleza cuaternaria, lo que tendría un impacto aún más significativo en la comercialización y producción agrícola. Por este motivo, ha surgido la necesidad de desarrollar herramientas tecnológicas para la detección temprana y el control preventivo, que permitan un manejo de las distintas plagas y enfermedades que afectan dichos cultivos. El aprendizaje automático se ha convertido en una herramienta clave, que brinda soluciones analíticas y computacionales para la detección y/o clasificación de plagas. En este estudio se presenta la propuesta de dos diferentes arquitecturas de redes neuronales convolucionales (RNC), con ayuda del aumento de datos, que posibilita —con un 87 % de precisión— la detección de la severidad de las lesiones provocadas por Roya y Torque en la hoja del durazno. El conjunto de imágenes se obtiene con un dispositivo móvil con cámaras fotográficas de alta resolución, en el municipio de Chitagá, al Norte de Santander.
Citas
Abadi, Martín; Agarwal, Ashish; Barham, Paul; Brevdo, Eugene; Chen, Zhifeng; Citro, Craig; Corrado, Greg; David, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Goodfellow, Ian; Harp, Andrew; Irving, Geoffrey; Isard, Michael; Jia, Yangqing; Jozefowicz, Rafal; Kiser, Lukasz; Kudlur, Manjunath; … Zheng, Xiaoqiang (2016). Tensorflow: Large-scale machine learning on heterogeneous distributed systems. arXiv preprint arXiv:1603.04467 [Librería de código]. https://doi.org/10.48550/arXiv.1603.04467
Agarwal, Mohit; Singh, Abhishek; Arjaria, Siddhartha; Sinha, Amit; Gupta, Suneet (2020). ToLeD: Tomato Leaf Disease Detection using Convolution Neural Network. Procedia Computer Science, 167, 293-301. https://doi.org/10.1016/j.procs.2020.03.225
Agronet (2023). Conozca cómo funciona el negocio del durazno en el mercado colombiano. https://www.agronet.gov.co/estadistica/Paginas/home.aspx?cod=1
Ahmed, Imtiaz; Yadav, Pramod (2023). Plant disease detection using machine learning approaches. Expert Systems, 40(5), e13136. https://doi.org/10.1111/exsy.13136
Alosaimi, Wael; Alyami, Hashem; Uddin, Irfan (2021). PeachNet: Peach Diseases Detection for Automatic Harvesting. Computers, Materials & Continua, 67(2), 1665-1677. https://doi.org/10.32604/cmc.2021.014950
Anand, Raju; Veni, Shanmugham; Aravinth, Jagatheesan (2016). An application of image processing techniques for detection of diseases on brinjal leaves using k-means clustering method. En International conference on recent trends in information technology (ICRTIT) (pp. 1-6). Instituto de Ingenieros Eléctricos y Electrónicos. https://doi.org/10.1109/ICRTIT.2016.7569531
Apolo-Apolo, Orly; Andújar, Dionisio; Reiser, David; Pérez-Ruiz, Manuel; Martínez, Jorge (2021). Deep-learning-based detection of in-field tomatoes using a terrestrial mobile platform. En Stafford, John (Ed.), Precision agriculture ’21 (pp. 319-329). Alianza de Energía y Clima de las Américas. https://doi.org/10.3920/978-90-8686-916-9
Apolo-Apolo, Orly; Martínez-Guanter, Jorge; Egea, Gregorio; Raja, Purushothaman; Pérez-Ruiz, Manuel (2020). Deep learning techniques for estimation of the yield and size of citrus fruits using a UAV. European Journal of Agronomy, 115, 126030. https://doi.org/10.1016/j.eja.2020.126030
Apolo-Apolo, Orly; Pérez-Ruiz, Manuel; Martínez-Guanter, Jorge; Egea, Gregorio (2019). Estimación de parámetros biofísicos de interés para la mejora de trigo usando inteligencia artificial. En García, Francisco; Ramos, Pablo (Eds.), Memorias del X Congreso Ibérico de Agroingeniería (pp. 959-966). Universidad de Sevilla. https://dialnet.unirioja.es/servlet/articulo?codigo=8145362
Bengio, Yoshua (2009). Learning Deep Architectures for AI. Foundations and Trends in Machine Learning, 2(1), 1-127. https://doi.org/10.1561/2200000006
Camacho, Alfonso; Vargas, César; Arguello, Henry (2016). Un estudio comparativo de algoritmos de detección de objetivos en imágenes hiperespectrales aplicados a cultivos agrícolas en Colombia. Revista Tecnura, 20(49), 86-99. http://doi.org/10.14483/udistrital.jour.tecnura.2016.3.a06
Camargo, Yeison (2023). Manejo técnico del cultivo de durazno (Prunus pérsica) variedad Gran Jarillo y el cultivo de higo (Ficus carica) ubicados en el municipio de Silos [Tesis de pregrado]. Universidad de La Salle. https://ciencia.lasalle.edu.co/ingenieria_agronomica/323
Dawod, Rodica; Dobre, Ciprian (2022). Automatic segmentation and classification system for foliar diseases in sunflower. Sustainability, 14(18), 11312. https://doi.org/10.3390/su141811312
Deng, Li; Dong, Yu (2014). Deep Learning: Methods and Applications. Foundations and Trends in Signal Processing, 7(3-4), 197-387. https://doi.org/10.1561/2000000039
Esgario, José; Krohling, Renato; Ventura, José (2020). Deep learning for classification and severity estimation of coffee leaf biotic stress. Computers and Electronics in Agriculture, 169, 105162. https://doi.org/10.1016/j.compag.2019.105162
Fang, Jen-Kuang; Fong, Cher-Min; Yang, Peng; Hung, Chao-Kai; Lu, Wen-Long; Chang, Chien-Wei (2020). AdaGrad Gradient Descent Method for AI Image Management. En Memorias de la 2020 IEEE International Conference on Consumer Electronics (pp. 1-2). Instituto de Ingenieros Eléctricos y Electrónicos. https://doi.org/10.1109/ICCE-Taiwan49838.2020.9258085
García, Ernesto; Cervantes, Jair; Espejel, Josué; Ruíz, José; García, Farid; (2020). Identification of diseases and pests in tomato plants through artificial vision. En Proceedings of Intelligent Computing Methodologies: 16th International Conference (Parte III, pp. 98-109). International Conference on Intelligent Computing. https://doi.org/10.1007/978-3-030-60796-8_9
Ghimire, Deepak; Dayoung, Kil; Kim, Seong-heum (2022). A Survey on Efficient Convolutional Neural Networks and Hardware Acceleration. Electronics, 11(6), 945 https://doi.org/ 10.3390/electronics11060945
Gibson, Gavin (1997). Markov chain Monte Carlo methods for fitting spatiotemporal stochastic models in plant epidemiology. Journal of the Royal Statistical Society: Series C (Applied Statistics), 46(2), 215-233. https://doi.org/10.1111/1467-9876.00061
Gomez, Michael; Vergara, Alejandro; Montenegro, Frank; Alonso, Henry; Safari, Nancy; Raymaekers, Dries; Ocimati, Walter; Ntamwira, Jules; Tits, Laurent; Omondi, Aman; Blomme, Guy (2020). Detection of banana plants and their major diseases through aerial images and machine learning methods: A case study in DR Congo and Republic of Benin. ISPRS Journal of Photogrammetry and Remote Sensing, 169, 110-124. https://doi.org/10.1016/j.isprsjprs.2020.08.025
González, Ángel; Guerrero, Carlos; Olvera, Carlos; López, Francisco; López, Daniela; Gutiérrez, Valeria; Villagarana, Santiago (2019). Estudio y comparativa de algoritmos de detección de objetos con redes neuronales artificiales convolucionales para la detección de enfermedades en hojas. Ciencias de la Ingeniería, 1-6. https://doi.org/https://doi.org/10.48779/p41k-fx69
Gupta, Jaya; Pathak, Sunil; Kumar, Gireesh (2022). Deep Learning (CNN) and Transfer Learning: A Review. Journal of Physics: Conference Series, 2273, 012029. https://doi.org/10.1088/1742-6596/2273/1/012029
Hardin, Perry; Shumway, Matthew (1997). Statistical significance and normalized confusion matrices. Photogrammetric Engineering and Remote Sensing, 63(6), 735-739.
Kaya, Yasin; Gürsoy, Ercan (2023). A novel multi-head CNN design to identify plant diseases using the fusion of RGB images. Ecological Informatics, 75, 101998. https://doi.org/10.1016/j.ecoinf.2023.101998
Krizhevsky, Alex; Sutskever, Ilya; Hinton, Geoffrey (2012). ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems, 25, 1097-1105.
Lozada-Portilla, William; Suárez-Barón, Marco; Avendaño-Fernández, Eduardo (2021). Aplicación de redes neuronales convolucionales para la detección del tizón tardío Phytophthora infestans en papa Solanum tuberosum. Revista U. D. C. A Actualidad & Divulgación Científica, 24(2). https://doi.org/10.31910/rudca.v24.n2.2021.1917
Martínez, Juliana; Fajardo, Alba; Esquivel, Jhoan; González, Dubán; Prieto, Ángela; Rincón, Daniela (2020). Manejo integrado del cultivo de mango Mangifera indica L. Ciencias Agropecuarias, 6(1), 51-78. https://doi.org/10.36436/24223484.267
Mengistu, Abrham; Mengistu, Seffi; Melesew, Dagnachew (2018). An automatic coffee plant diseases identification using hybrid approaches of image processing and decision tree. Indonesian Journal of Electrical Engineering and Computer Science, 9(3), 806-811. http://doi.org/10.11591/ijeecs.v9.i3.pp806-811
Negrete, Jaime (2018). Artificial vision in mexican agriculture for identification of diseases, pests and invasive plants. Journal of Advancements in Plant Science, 1(3).
Pereira, Rafael; Plastino, Alexander; Zadrozny, Bianca; Merschmann, Luiz (2018). Correlation analysis of performance measures for multi-label classification. Information Processing & Management, 54(3), 359-369. https://doi.org/10.1016/j.ipm.2018.01.002
Pérez-Ariza, Cora; Nicholson, Ann; Flores, Julia (2012). Prediction of coffee rust disease using Bayesian networks. Proceedings of the Sixth European Workshop on Probabilistic Graphical Models, 6, 259-266.
Pernía, Juan; Sanabria, María (2021). El manejo integral de plagas y enfermedades en cultivos como una alternativa de compromiso para el cumplimiento de la Responsabilidad Social Ambiental en la agricultura. Dissertare, Revista de Investigación en Ciencias Sociales, 6(1), 1-21.
Poernomo, Alvin; Kang, Dae-Ki (2018). Biased dropout and crossmap dropout: learning towards effective dropout regularization in convolutional neural network. Neural Networks, 104, 60-67. https://doi.org/10.1016/j.neunet.2018.03.016
Prakash, M,; Saraswathy, G.; Ramalakshmi, G.; Mangaleswari, K.; Kaviya, T. (2017). Detection of leaf diseases and classification using digital image processing. En International conference on innovations in information, embedded and communication systems (ICIIECS) (pp. 1-4). Instituto de Ingenieros Eléctricos y Electrónicos.
Ríos, Rodolfo (2021). La Agricultura de Precisión. Una necesidad actual. Ingeniería Agrícola, 11(1), 67-74.
Saad, Haji; Adnan, Mohsin (2021). Comparison of optimization techniques based on gradient descent algorithm: a review. PalArch’s Journal of Archaeology of Egypt/Egyptology, 18(4), 2715-2743. https://archives.palarch.nl/index.php/jae/article/view/6705
Sampathkumar, Shanmugam; Rajeswari, Ramachandran (2022). An automated crop and plant disease identification scheme using cognitive fuzzy c-means algorithm. IETE Journal of Research, 68(5), 3786-3797. https://doi.org/10.1080/03772063.2020.1780163
Shruthi, U.; Nagaveni, V.; Raghavendra, B. (2019). A review on machine learning classification techniques for plant disease detection. En 5th International conference on advanced computing & communication systems (ICACCS) (pp. 281-284). Instituto de Ingenieros Eléctricos y Electrónicos. https://doi.org/10.1109/ICACCS.2019.8728415
Solano, César; Caballero, Ivonne (2022). Modelo de predicción de plagas en el cultivo de palto utilizando metodología de aprendizaje automático supervisado. Virú S. A. [Tesis de pregrado]. Universidad Privada Antenor Orrego. http://purl.org/pe-repo/ocde/ford#2.02.04
Torres-Sánchez, Jorge; Escolà, Alexandre; Castro, Ana; López-Granados, Francisca; Rosell, Joan; Jiménez-Brenes, Francisco; Sanz, Ricardo; López, Eduard; Peña-Barragán, José (2023). UAV photogrammetry vs mobile terrestrial laser scanning for woody crops characterization. En Stafford, John (Ed.), Precision agriculture ’23 (pp. 1019-1026). Alianza de Energía y Clima de las Américas. https://doi.org/https://doi.org/10.3920/978-90-8686-947-3
Trivedi, Jay; Shamnani, Yash; Gajjar, Ruchi (2020). Plant leaf disease detection using machine learning. En Gupta, Shilpi; Sarvaiya, Jignesh (Eds.), Emerging Technology Trends in Electronics, Communication and Networking. ET2ECN 2020. Communications in Computer and Information Science (vol. 1214, pp. 267-276). Springer. https://doi.org/10.1007/978-981-15-7219-7_23
Villamizar, César (2014). Ruta del Durazno. Universidad de Pamplona. https://www.unipamplona.edu.co/unipamplona/portalIG/home_174/recursos/chitaga/26042015/diagnostico_economico.jsp
Woods, Richard; Gonzalez, Rafael (2018). Digital Image Processing (4ª ed.). Pearson.
Zhang, Keke; Xu, Zheyuan; Dong, Shoukun; Cen, Canjian; Wu, Qiufeng (2019). Identification of peach leaf disease infected by Xanthomonas campestris with deep learning. Engineering in Agriculture, Environment and Food, 12(4), 338-396. https://doi.org/10.1016/j.eaef.2019.05.001
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Derechos de autor 2023 Servicio Nacional de Aprendizaje SENA
Descargas
Los datos de descargas todavía no están disponibles.
