Detección de enfermedades en plantas de tomate a través del análisis computacional de sus hojas

Abstract

Los cultivos de todo tipo de plantas están expuestos a enfermedades que pueden darse por: hongos, virus y bacterias, para el caso del tomate no es la excepción, por este motivo se le ha puesto relevancia a contribuir con la detección temprana de enfermedades en las plantas de dichas especies. Se está trabajando en solucionar 4 de las enfermedades que afectan en las plantaciones de tomate. La identificación se puede dar a través de las partes de la planta como son, las hojas, el tallo o los frutos, as que se tomó un data set de imágenes de hojas enfermas. Se extrajo 4 de los 10 tipos con los que se contaba. Se trabaja con el método de redes neuronales convolucionales, dado que son utilizadas para la creación de modelos de clasificación de elementos, entrenados con imágenes. Las imágenes fueron ingresadas a tamaño real de 256x256, pero previamente fotograbadas por una cámara telefónica a _n de obtener el mismo tipo de archivos para entrenar la red y para receptar imágenes en el clasificador. La cámara cuenta con una resolución de 12 Megapíxeles, así que para el entrenamiento, se redimensionaron las imágenes. Al analizar el entrenamiento se obtuvo un porcentaje de 93% de eficiencia el cual es admisible y después ingresar los datos de prueba se lograron 429 respuestas correctas y 54 incorrectas, siendo este un porcentaje aceptable. El siguiente paso fue, crear el algoritmo para ejecutar el modelo previamente entrenado y guardado, para luego ser entrenado, ambos procesos son realizados con Python keras y en este último caso, un programa adicional, droid cam para usar la cámara de un motorola G6 plus como web cam, en donde igualmente se obtuvieron buenos resultados en la mayoría de los casos, aunque los dispositivos electrónicos son diseñados para trabajar en un ambiente controlado y al no encontrarse bajo las mismas condiciones no da los mismos resultados. Finalmente es posible ingresar imágenes directamente desde una carpeta de la PC en donde el porcentaje de imágenes aceptadas como correctas son aproximadamente al 93% que es el valor generado por el entrenamiento y se analizaron los resultados a través de la interacción con el clasificador, ingresando en las imágenes manualmente, para comprobar si el número de elementos clasificados de forma acertada corresponden al porcentaje de eficiencia generado por el entrenador.