Aplicativo móvil para la detección de la enfermedad del mosaico común en la yuca (Manihot esculenta) utilizando redes neuronales convolucionales
DOI:
https://doi.org/10.55873/rad.v3i1.283Palabras clave:
aplicativo móvil, clasificación de imágenes, enfermedad del mosaico, red Neuronal Convolucional, TensorFlow 2.0Resumen
Se implementó un Aplicativo Móvil usando una Red Neuronal Convolucional capaz de detectar la enfermedad del mosaico en imágenes de hojas de la yuca. Se recolectó 3400 imágenes de hojas de yuca, donde 3000 sirvieron como entrenamiento y 400 para validación. El diseño de esta investigación es de tipo pre-experimental. El tipo de estudio utilizado es Aplicada y el Nivel de investigación es de tipo descriptiva. Se tomaron las 400 fotografías correspondientes a la validación, con un celular Redmi Note con cámara trasera de 48 Mpx y cámara frontal de 32 Mpx, haciendo uso de la cámara trasera para tomar las fotografías, de las cuales 200 de ellas son hojas sanas y 200 son hojas enfermas. Se consideraron las métricas arrojadas por defecto por la biblioteca de software Tensorflow 2.0. El aplicativo móvil mejora el proceso de detección de la enfermedad del mosaico, además se desarrolló una arquitectura propia para la clasificación correcta de las imágenes y se determinó que la eficacia de la aplicación influye en gran manera en el proceso para la detección de la enfermedad del mosaico.
Descargas
Citas
Álvarez, E., & Llano Rodríguez, G. A. (2015). La yuca en el Tercer Milenio: Sistemas modernos de producción, procesamiento, utilización y comercialización. In C. I. de A. T. (CIAT) (Ed.), Manejo de enfermedades y plagas. Consorcio Latinoamericano para la Investigación y el Desarrollo de la Yuca. https://hdl.handle.net/10568/55242
Ardón Muñoz, C. D., & Morales Calderón, B. J. (2021). Clasificación automática de la severidad del Virus del Mosaico Dorado en frijol. Revista Ciencia Multidisciplinaria CUNORI, 5(1 SE-Artículos científicos), 41–50. https://doi.org/10.36314/cunori.v5i1.151
Castro Sandoval, M. M. (2019). Identificación de Citrus leprosis virus C en Citrus sinensis mediante redes neuronales convolucionales de imágenes digitales. Instituto Politécnico Nacional.
Ceballos, H. (2002). La yuca en Colombia y el mundo: nuevas perspectivas para un cultivo milenario. Centro Internacional de Agricultura Tropical - CIAT. http://hdl.handle.net/20.500.12324/18087
Cusme Zambrano, K. D., & Loor Pinargote, A. M. (2019). Aplicación móvil de detección y clasificación de “la roya” en hojas de café robusta mediante aprendizaje automático [ESPAMMFL]. http://repositorio.espam.edu.ec/handle/42000/1104
Fuentes Plaza, F. N. (2024). Visión por computadora para el manejo de plagas y enfermedades en cultivos de papa. [Universidad de Concepción]. https://repositorio.udec.cl/handle/11594/6716
García Alcalá, I. S. (2020). Procesamiento De Imagen Digital Utilizando Redes Neurales Para Identificar El Sistema Negro En El Cultivo De Plantas [Tecnológico Nacional de México]. https://rinacional.tecnm.mx/jspui/handle/TecNM/1499
Langer, G., & Kühl, S. (2024). Perception and acceptance of robots in dairy farming—a cluster analysis of German citizens. Agriculture and Human Values, 41(1), 249–267. https://doi.org/10.1007/s10460-023-10483-x
Malik, J., Kiranyaz, S., & Gabbouj, M. (2021). Self-organized operational neural networks for severe image restoration problems. Neural Networks, 135, 201–211. https://doi.org/10.1016/j.neunet.2020.12.014
Pereyra, M. E. (2020). Detección de enfermedades y plagas en cultivos mediante Machine Learning [Universidad Nacional de La Plata]. http://sedici.unlp.edu.ar/handle/10915/118496
Pinedo, J. C. S. M., López, C. A. R., Grández, C. R., & Estrella, C. W. G. (2021). Reconocimiento de patrones de imágenes a través de un sistema de visión artificial en MATLAB. Revista Científica de Sistemas e Informática, 1(2), 15–26. https://doi.org/10.51252/RCSI.V1I2.131
Sambasivam, G., & Opiyo, G. D. (2021). A predictive machine learning application in agriculture: Cassava disease detection and classification with imbalanced dataset using convolutional neural networks. Egyptian Informatics Journal, 22(1), 27–34. https://doi.org/10.1016/J.EIJ.2020.02.007
Santos, D., Dallos, L., & Gaona-García, P. A. (2020). Motion tracking algorithms using AI and machine learning techniques. Informacion Tecnologica, 31(3), 23–38. https://doi.org/10.4067/S0718-07642020000300023
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Romario Diaz-Holgado, Denis Ricardo Vilcas-Villalba, Ralph Miranda-Castillo, Luis Alberto Holgado-Apaza
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
