Sistema de detección de plagas en los cultivos
Barra lateral del artículo
Contenido principal del artículo
Resumen
La presente investigación propone la construcción de una aplicación web destinada a la detección de plagas, en su primera fase se ha propuesto la detección de la plaga de mosca blanca, una de las más recurrentes en los cultivos de Manabí, afectando principal-mente al cultivo de plantas como tomate, pimiento, col y cucurbitáceas como calabaza, pe-pino y hortalizas de hoja como lechuga o perejil. Este Proyecto busca convertirse en un agente de monitorización de cultivos, actuando de forma automática y eficaz en la detec-ción de plagas mediante el procesado de imágenes, para lo cual se desarrollaron diversos algoritmos soportados por la librería ImageAI, con los que fue posible crear, entrenar y pro-bar un modelo de detección. En cuanto al funcionamiento de la aplicación web, el usuario podrá crear una cuenta y una vez logueado podrá acceder al módulo de captura, donde po-drá tomar o subir una foto para su análisis respectivo.
Esta investigación se basa en el método bibliográfico y analítico, además la infor-mación es de fuentes confiables, tales como: IEEE, Dialnet, ACM, Google Scholar, Repo-sitorios Institucionales. Para el desarrollo de la aplicación web se utilizó el lenguaje de pro-gramación Python para el Backend y tecnologías como HTML, W3Css y JavaScript para el Frontend. Posteriormente, se utilizó MySQL para crear la base de datos.
El framework utilizado para el desarrollo de la aplicación fue Scrum, debido a la versa-tilidad de su metodología. Finalmente, como resultado de este proyecto, se obtiene la primera versión de un software funcional, con aspiraciones de mejora en futuras versiones.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
1. Derechos de autor
Las obras que se publican en 593 Digital Publisher CEIT están sujetas a los siguientes términos:
1.1. 593 Digital Publisher CEIT, conserva los derechos patrimoniales (copyright) de las obras publicadas, favorece y permite la reutilización de las mismas bajo la licencia Licencia Creative Commons 4.0 de Reconocimiento-NoComercial-CompartirIgual 4.0, por lo cual se pueden copiar, usar, difundir, transmitir y exponer públicamente, siempre que:
1.1.a. Se cite la autoría y fuente original de su publicación (revista, editorial, URL).
1.1.b. No se usen para fines comerciales u onerosos.
1.1.c. Se mencione la existencia y especificaciones de esta licencia de uso.
Oscar Alexander López-Gorozabel, Universidad Técnica de Manabí - Ecuador
http://orcid.org/0000-0002-0640-9953
Ingeniero en Sistemas Informáticos y Licenciado en Trabajo Social por la Universidad Técnica de Manabí.
Máster en Ingeniería de Software y Sistemas Informáticos por la UNIR.
Docente de la carrera de Software en la Universidad Técnica de Manabí. Investigador y revisor de artículos académicos.
Ricardo Orlando Malla-Valdiviezo , Universidad Técnica De Manabí - Ecuador
https://orcid.org/0000-0003-0841-7495
Magister en Informática Empresarial UNIANDES, Ing. En Sistemas Informáticos Universidad Técnica de Manabí, Docente Universidad Técnica de Manabí, Ex - Coordinador Zonal de TIC MSP – Zona 4, Ex - Coordinador de Metas Institucionales y Asesor Educativo MINEDUC Zona 4, Sub Secretario de atención intergeneracional MIES.
Gabriel Eduardo Morejón-López , Universidad Técnica de Manabí - Ecuador
https://orcid.org/0000-0001-8902-4583
Experiencia en el área de desarrollo, telecomunicaciones, Inteligencia Artificial, publicaciones sobre sistemas de comunicaciones mediante Luz visible, herramientas de monitoreo, análisis de datos con modelos de inteligencia artificial.
Miguel Ángel León-Bravo , Universidad Técnica de Manabí - Ecuador
http://orcid.org/0000-0002-3435-2560
Ing. en Sistemas Informáticos, Máster en Tecnología Educativa. Experiencia en docencia segundo y tercer nivel , supervisión y fiscalización del área operativa en empresas de telecomunicaciones.
Citas
Andrade, J. (2018). Aplicación móvil para la detección y tratamiento de daños de los cultivos de la parroquia Taura del cantón Durán, mediante el uso de software de análisis de imagen basado en técnicas de Machine Learning. http://201.159.223.180/bitstream/3317/11769/1/T-UCSG-PRE-ART-IPM-150.pdf
De Martí, S. P. (2018). AGRICULTURA DE PRECISIÓN y PROTECCIÓN DE CULTIVOS. Revista de ingeniería, 47, 10-19. https://doi.org/10.16924/revinge.47.3
Flores, A. (2021). Lista de las mejores librerías de Python para el 2022. crehana.com. https://www.crehana.com/ec/blog/desarrollo-web/librerias-python/
Fuentes, M., & Medina, W. (2021). Diseño de un modelo predictivo-asistencial de pacientes infectados por Covid-19, mediante un modelo supervisado de Machine Learning basado en criterios de derivación hospitalaria o ambulatoria. Repositorio Universidad de Guayaquil. http://repositorio.ug.edu.ec/bitstream/redug/52650/1/B-CISC-PTG-1901-2021%20Fuentes%20Marmolejo%20Melina%20Daniela%20-%20Medina%20Parra%20Wilmer%20David.pdf
Landau, E. C., Guimaraes, D., & Hirsch, A. (2014). Uso de sistema de informaciones geográficas para espacialización de datos del área de producción agrícola. ResearchGate. https://www.researchgate.net/publication/280098376_Uso_de_Sistema_de_Informaciones_Geograficas_para_espacializacion_de_datos_del_area_de_produccion_agricola
Llamas, L., & Sulé, M. (2021). Tecnología en la agricultura. Innovación como método de evolución agrícola. Universidad de León. https://buleria.unileon.es/handle/10612/13619
Magaña, J. B. (2015). DETECCIÓN DE OBJETOS EN IMÁGENES UTILIZANDO OPENCV PARA RASPBERRY. ResearchGate. https://www.researchgate.net/publication/316282519_DETECCION_DE_OBJETOS_EN_IMAGENES_UTILIZANDO_OPENCV_PARA_RASPBERRY
Maniyath, S. R., Vinod, P., M, N., R, P., N, P. B., N, S., & Hebbar, R. (2018). Plant Disease Detection Using Machine Learning. International Conference on Design Innovations for 3Cs Compute Communicate Control (ICDI3C), 41-45. https://doi.org/10.1109/icdi3c.2018.00017
Marín, R. (2020). ¿Qué es OpenCV? Instalación en Python y ejemplos básicos. Canal Informática y TICS. https://revistadigital.inesem.es/informatica-y-tics/opencv
Nuñez, O., Figueroa, T., & De Jesús, A. (2015). Monitorización de cultivos utilizando drones. Docplayer.es. https://docplayer.es/13303546-Monitorizacion-de-cultivos-utilizando-drones-clave-del-proyecto-cin2015a20121.html
Olafenwa, M. (2022). ImageAI: A Python library built to empower developers to build applications and systems with self-contained computer vision capabilities [Software]. En GitHub (2.1.6). https://github.com/OlafenwaMoses/ImageAI
Otálora, P., Sánchez, J., Fernández, F., & Soria, M. B. (2021). Herramienta gráfica para la caracterización de cultivos de microalgas basada en redes neuronales artificiales. En Servizo de Publicacións da UDC eBooks (pp. 119-125). https://doi.org/10.17979/spudc.9788497498043.119
Pusiol, P. (2014). Redes Convolucionales en Comprensión de Escenas. Repositorio Digital de la Universidad Nacional de Córdoba (RDU). https://rdu.unc.edu.ar/bitstream/handle/11086/2799/TE%20C%20Pusiol.pdf?sequence=1&isAllowed=y
Rojas, M. (2020). Machine Learning: Análisis de lenguajes de Programación y herramientas para desarrollo- ProQuest. Proquest.com. https://www.proquest.com/docview/2388304894?pq-origsite=gscholar&fromopenview=true
Shruthi, U., Nagaveni, V., & Raghavendra, B. K. (2019). A Review on Machine Learning Classification Techniques for Plant Disease Detection. 5th International Conference on Advanced Computing & Communication Systems, (ICACCS), 281-284. https://doi.org/10.1109/icaccs.2019.8728415
Sierra, J. (2022). Introducción a las redes neuronales artificiales. Repositorio Docta de la Universidad Complutense de Madrid. https://hdl.handle.net/20.500.14352/3133
Sotomayor, J. F., Gómez, A. P., & Cela, A. F. (2014). Sistema de Visión Artificial para el Análisis de Imágenes de Cultivo basado en Texturas Orientadas. Revista Politécnica, 33(1). https://revistapolitecnica.epn.edu.ec/ojs2/index.php/revista_politecnica2/article/view/104
Sucar, L., & Gómez, G. (2017). Visión computacional. Instituto Nacional de Astrofísica, Óptica y Electrónica. México. https://ccc.inaoep.mx/~esucar/Libros/vision-sucar-gomez.pdf
Taquía-Gutiérrez, J. A. (2017). El procesamiento de imágenes y su potencial aplicación en empresas con estrategia digital. Interfases. https://doi.org/10.26439/interfases2017.n10.1767
Tanner, G. (2019). Introduction to Deep Learning with Keras. How to use the Keras Deep Learning library. https://towardsdatascience.com/introduction-to-deep-learning-with-keras-17c09e4f0eb2
Turned, T. (2017). What is TensorFlow? https://medium.com/@deshayk/what-is-tensorflow-66ef027e5c6d
Ultralytics. (2022). GitHub - Ultralytics/yolov3: YOLOV3 in PyTorch; ONNX; CoreML; TFLite. GitHub. https://github.com/ultralytics/yolov3