Development of an artificial vision algorithm based on neural networks for the identification of oidium in the blueberry plant
DOI:
https://doi.org/10.18050/ingnosis.v9i2.3176Keywords:
powdery mildew disease, Python programming, computer vision, neural networksAbstract
In this study, we introduce a revolutionary approach that combines computer vision and neural networks in order to design a computer vision algorithm that can distinguish between blueberry leaves that have powdery mildew and those that are healthy without this disease. which could significantly improve the quality and efficiency of blueberry production in the agroindustrial industry. Methodology. The Python programming language and the YOLOv7 library were used, it was executed on an Intel Corei5 processor, 8 GB of RAM, Nvidia Geforce 1650 graphics card, webcam with 1080p resolution. Using an experimental and quantitative approach, we evaluate the effectiveness of the algorithm. Results. An efficiency of 91% was demonstrated in the detection of the Oidio or Oidiosis fungus in blueberries, validating the effectiveness of the method and highlighting its potential to transform the agro-industrial industry. Conclusion. It will allow for more efficient classification of products, which could have a positive impact on the quality and competitiveness of the blueberry market.
Downloads
References
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.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Shelleny Lourdes Bruno Crispin, Victor Eduardo Ravines Robles, Andrea Elizabeth Santisteban León, Rene Pedro Mendoza López
This work is licensed under a Creative Commons Attribution 4.0 International License.
