Sistema de detección de plagas en los cultivos
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
![Creative Commons License](http://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png)
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.
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