Reconocimiento de lesiones necróticas para la detección temprana de la plaga thrips (kakothrips robustus uzel) en los cultivos del guisante o arveja mediante técnicas deep learning

Abstract

En la actualidad, el seguimiento de cultivos en las parcelas agrícolas sigue siendo una de las tareas más trascendentales que tiene agricultura de precisión, ya que por medio esta se puede efectuar la estimación del rendimiento y la predicción de cosechas. Debido a las complicadas condiciones atmosféricas y factores climáticos que presenta el sector, la detección temprana de plagas y enfermedades se ha convertido en un desafío considerable que los productores deben asumir de manera constante. Esta investigación propone un sistema de reconocimiento rápido y eficaz de lesiones necróticas para la detección temprana de la plaga thrips en el guisante o arveja mediante la implementación de técnicas de Deep Learning. Para el sistema se utilizaron: un Smartphone y el drone DJI Mavic mini, para recopilar imágenes JPG (Joint Photographic Experts Group) desde las parcelas del cultivo. A continuación, se utilizó la herramienta Roboflow para la extracción, etiquetado, segmentación de las características significativas y relevantes del objeto de estudio en cada una de las imágenes. Fue propuesta la arquitectura de la red neuronal convolucional Yolov4-Tiny, para la detección de la plaga thrips en los cultivos. En el desarrollo del sistema se emplearon herramientas de software libre, como Python y librerías de aprendizaje automático como Tensorflow y de visión artificial como OpenCV. Finalmente, el sistema desarrollado fue puesto a las respectivas pruebas de funcionamiento. Donde los resultados experimentales mostraron que la IoU (Intersección sobre la Unión) es de 59,23% para una mAP (Precisión Media) de 87,8% sobre un conjunto de datos de alta densidad. Los resultados alcanzados por el sistema fueron comparados con el diagnóstico previo realizado el experto en producción del cultivo a través de observaciones directas al guisante o arveja. Donde se pudo a establecer que el sistema tiene una efectividad del 80%.