Desarrollo de un algoritmo de visión artificial basado en redes neuronales para la identificación del oídium en la planta de arándano
DOI:
https://doi.org/10.18050/ingnosis.v9i2.3176Palabras clave:
enfermedad oidiosis, programación Python, visión artificial, redes neuronalesResumen
En este estudio, introducimos un enfoque revolucionario que combina la visión por computadora y las redes neuronales con la finalidad de diseñar un algoritmo de visión por computadora que pueda distinguir entre las hojas de arándanos que presenten oidiosis y las que se encuentren sanas sin esta enfermedad, lo que podría mejorar significativamente la calidad y eficiencia de la producción de arándanos en la industria agroindustrial. Metodología. Se utilizo el lenguaje de programación Python y la biblioteca YOLOv7, se ejecutó en un procesador Intel Corei5 ,8 GB de RAM, tarjeta gráfica Nvidia Geforce 1650, webcam con resolución 1080p. Mediante un enfoque experimental y cuantitativo, evaluamos la eficacia del algoritmo. Resultados. Se evidencio una eficiencia del 91% en la detección del hongo Oidio u Oidiosis en los arándanos, valida la efectividad del método y resalta su potencial para transformar la industria agroindustrial. Conclusión. Permitirá una clasificación más eficiente de los productos, lo que podría tener un impacto positivo en la calidad y competitividad del mercado de arándanos.
Descargas
Referencias
Agencia Agraria de Noticias. (2022). Oidiosis, un nuevo reto a controlar en el cultivo de arándano. [Reportaje] 23 de febrero de 2022.
Blue Berries Consulting. (2021). Producción de Arándanos en méxico crece 5 años seguidos. [Noticia] 26 de noviembre de 2021.
Data Scientest. (2023). ¿Qué es el Transfer Learning? DataScientest.com.Data Science, 2023. https://datascientest.com/es/que-es-el-transfer-learning.
De Souza Pacheco, Joao. (2021). La oidiosis del arándano Microsphaera vaccinii. Ecofertilizing, 2 de septiembre de 2021.
Del Valle Hernandez, Luis. (2019). Visión artificial, OpenCV y Python. Primeros pasos para analizar imágenes. Programarfacil.com. https://programarfacil.com/podcast/81-vision-artificial-opencv-phyton/.
Espinosa, M. A., & Gomez, A. F. (2020). Diseño de un algoritmo detector de nivel de clorofila tipo A y B en las hojas mediante procesamiento de imágenes aplicando una red neuronal convolucional. http://repositorio.uts.edu.co:8080/xmlui/handle/123456789/2231.
Fernández, J. J. F., Madrera, R. R., & Negrillo, A. M. C. (2018). Fenotipado de la colección de arándanos del SERIDA mediante análisis de imágenes de frutos. In IX Congreso de Mejora Genética de Plantas: Murcia 2018 (pp. 252-255). Instituto Murciano de Investigación y Desarrollo Agrario y Alimentario.
Fernandez, Lucia. (2023). Oídio: El Enemigo Silencioso de Tus cultivos y Cómo Combatirlo. [Noticia] s.l. : Agriculteca, 16 de Mayo de 2023.
Gras, Manuel. (2023). Oídio en plantas, qué es, identificación y tratamiento. s.l. : Jardinatis, 13 de Noviembre de 2023.
HardZone. (2023). Tu gráfica nvidia tiene cientos, ¿Sabes qué son los núcleos Cuda? HardZone. [En línea] 29 de noviembre de 2023. https://hardzone.es/marcas/nvidia/nucleos-cuda/.
Hualde. (2019). Introducción a la Visión Artificial Con opencv y python. [En línea] 2019. https://rostutorial.com/vision-artificial-intro/.
Instituto Nacional de Estadística e Informática. (2022). Producción de Arándano Alcanzó 42 mil 40 toneladas en noviembre del año 2022. [Noticia] s.l. : Plataforma del Estado Peruano, 2022.
Jimenez, M. (2021) Clasificación de piezas metálicas mediante una Red Neuronal Convolucional y Análisis de Componentes Principales. http://hdl.handle.net/20.500.11799/137394
Juste, Irene. (2022). Cómo combatir El Oídio con Remedios Caseros - Los Métodos Más Efectivos. s.l. : Ecología Verde, 01 de Julio de 2022.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90. https://doi.org/10.1145/3065386
LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324. https://doi.org/10.1109/5.726791.
Lozada-Portilla, W. A., Suarez-Barón, M. J., & Avendaño-Fernández, E. (2021). Aplicación de redes neuronales convolucionales para la detección del tizón tardío Phytophthora infestans en papa Solanum tuberosum. Revista UDCA Actualidad & Divulgación Científica, 24(2). https://doi.org/10.31910/rudca.v24.n2.2021.1917.
Matich, D. J. & Ruiz, C. A., Basualdo, M. S. (2001). Redes neuronales: Conceptos básicos y aplicaciones. Universidad Tecnológica Nacional–Facultad Regional Rosario-Departamento de Ingeniería Química-Grupo de Investigación Aplicada a la Ingeniería Química (GIAIQ), 41, 12-16.
Portal Fruticola. (2022). Proarándanos: “Las exportaciones peruanas de arándanos crecieron en volumen más de 16 veces". [Noticia] 23 de marzo de 2022.
Structuralia. 2020. La utilidad de Python para la inteligencia artificial. Structuralia. [En línea] 23 de Octubre de 2020. https://blog.structuralia.com/python-inteligencia-artificial.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Shelleny Lourdes Bruno Crispin, Victor Eduardo Ravines Robles, Andrea Elizabeth Santisteban León, Rene Pedro Mendoza López
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
