SISTEMA DE IDENTIFICACIÓN ENFERMEDADES Y PLAGAS EN EL CULTIVO DE SANDÍA
DOI:
https://doi.org/10.24054/rcta.v2i42.2674Palabras clave:
Procesamiento de imágenes, aprendizaje informático o automatizado, aprendizaje supervisado, aprendizaje no supervisado,, sandía, inteligencia artificial, visión artificialResumen
En este estudio se desarrolló una aplicación móvil bajo el nombre “Sandiapp”, con el objetivo de identificar las diferentes plagas y enfermedades que afectan el cultivo de sandía en el municipio de San Bernardo del Viento - Córdoba. Para cumplir con este objetivo, se realizó un levantamiento de campo utilizando el método cuantitativo, como estudio sistemático de los hechos dentro de los cuales se presentó el caso, para obtener información útil para formular la propuesta y sustentar la propuesta a través de un sistema que a través del aprendizaje automático identifica los tipos de plagas y enfermedades que afectan los cultivos de sandía. Para el desarrollo de este proyecto se utilizaron ciertos algoritmos de visión artificial, el cual consiste en reconocer formas, distancias, ángulos, colores y determinar las dimensiones de la planta de sandía. Para realizar este procedimiento se ha considerado la forma y tamaño de la lámina. A través de las pruebas realizadas durante el desarrollo de este trabajo se concluye que: Mediante la implementación del sistema de visión artificial se demostró el incremento en el porcentaje de agricultores, los cuales ahora cuentan con un mayor nivel de información sobre plagas y enfermedades del cultivo de sandía.
Descargas
Citas
Gómez-Camperos, J.A., Jaramillo, H.Y., & Guerrero-Gómez, G. (2021). Técnicas de procesamiento digital de imágenes para detección de plagas y enfermedades en cultivos: una revisión. INGENIERÍA Y COMPETITIVIDAD.
Martínez-Corral, L., Martínez-Rubín, E., Flores-García, F., Castellanos, G.C., Juarez, A.L., & López, M. (2009). Desarrollo de una base de datos para caracterización de alfalfa (Medicago sativa L.) en un sistema de visión artificial.
Santa María Pinedo, J.C., Ríos López, C.A., Rodríguez Grández, C., & García Estrella, C.W. (2021). Reconocimiento de patrones de imágenes a través de un sistema de visión artificial en MATLAB. Revista Científica de Sistemas e Informática.
Malpartida, S., & Ángel, E.T. (2011). Sistema de visión artificial para el reconocimiento y manipulación de objetos utilizando un brazo robot.
Vargas, O.L., & Perrez, Á.A. (2019). Implementación de un Sistema de Visión Artificial para la clasificación de naranja producida en el departamento del Quindío.
León León, R.A., Jara, B.J., Cruz Saavedra, R., Terrones Julcamoro, K., Torres Verastegui, A., & Aponte de la Cruz, M.A. (2020). DESARROLLO DE SISTEMA DE VISIÓN ARTIFICIAL PARA CONTROL DE CALIDAD DE BOTELLAS EN LA EMPRESA CARTAVIO RUM COMPANY. Ingeniería Investigación y Desarrollo.
Ramírez Escalante, Boris. Procesamiento Digital de Imágenes [en línea], Verona, [citado agosto, 2006].
J. M. G. Recinos, Rendimiento de híbridos de sandía tipo personal; valle del Motagua, Zacapa., Zacapa, 2015.
Bautista, R.A., Constante, P., Gordon, A., & Mendoza, D. (2019). Diseño e implementación de un sistema de visión artificial para análisis de datos NDVI en imágenes espectrales de cultivos de brócoli obtenidos mediante una aeronave pilotada remotamente.
Prócel, P.N., & Garcés, A.M. (2015). Diseño e implementación de un sistema de visión artificial para clasificación de al menos tres tipos de frutas.
Martínez, F.H., Montiel, H., & Martínez, F. (2022). A Machine Learning Model for the Diagnosis of Coffee Diseases. International Journal of Advanced Computer Science and Applications.
Ortega, B.R., Biswal, R.R., & Sánchez-Delacruz, E. (2019). Detección de enfermedades en el sector agrícola utilizando Inteligencia Artificial. Res. Comput. Sci., 148, 419-427.
Zapata, V., & Alejandro, J.R. (2019). Diseño y desarrollo de un sistema prototipo de diagnóstico de afecciones en plantas de cítricos utilizando procesamiento de imágenes y aprendizaje profundo.
Pillajo, M.A., Pillajo, M.A., & Cabascango, A.S. (2019). Diagnóstico inteligente de enfermedades y plagas en plantas ornamentales.
Narciso Horna, W.A., & Manzano Ramos, E.A. (2021). Sistema de visión artificial basado en redes neuronales convolucionales para la selección de arándanos según estándares de exportación. Campus.
Huaccha, E.D. (2018). Desarrollo de un sistema de visión artificial para realizar una clasificación uniforme de limones.
Bautista, R.A., Constante, P., Gordon, A., & Mendoza, D. (2019). Diseño e implementación de un sistema de visión artificial para análisis de datos NDVI en imágenes espectrales de cultivos de brócoli obtenidos mediante una aeronave pilotada remotamente. Infociencia.
Tinajero, J., Acosta, L.A., Chango, E.F., & Moyon, J.F. (2020). Sistema de visión artificial para clasificación de latas de pintura por color considerando el espacio de color RGB.
Salazar, P., Ortiz, S., Hernandez, T.H., & Bermeo, N.V. (2016). Artificial Vision System Using Mobile Devices for Detection of Fusarium Fungus in Corn. Res. Comput. Sci., 121, 95-104.
hyar, B.S., & Birajdar, G.K. (2017). Computer vision based approach to detect rice leaf diseases using texture and color descriptors. 2017 International Conference on Inventive Computing and Informatics (ICICI), 1074-1078.
Yasir, R., Rahman, M.A., & Ahmed, N. (2014). Dermatological disease detection using image processing and artificial neural network. 8th International Conference on Electrical and Computer Engineering, 687-690.
P. P. Garcia Garcia, Reconocimiento de imagenes utilizando redes neuronales artificiales, Madrid, España, 2013.
Orduz, J. O., León, G. A., Chacón Díaz, A., Linares, V. M., & Rey, C. A. (2000). El cultivo de la sandía o patilla (Citrullus lanatus) en el departamento del Meta (No. Doc. 21998) CO-BAC, Bogotá).
González Sánchez, H. A. (1999). Impacto ambiental de la labranza mecánica convencional. Departamento de Ciencias Agropecuarias.
R. Jorge, Introducción a los sistemas de visión artificial, Madrid, España, 2011.
CHAVEZ, Procesamiento de imágenes [en linea], Puebla, Universidad de las Américas puebla [citado en 6 de Julio de 2015].
MATWORKS, Detección de bordes [en línea], [citado en 6 de octubre de 2015].
A. Marin Poatoni, Desarrollo de prototipo de aplicacion (APP), para dispositivos móviles basados en el sistema IOS, para el reconocimiento de objetos"Hojas" en imagenes, Motecillo, Mexico, 2014.
H. T. T., L. V. G. Bay, «Speeded-Up Robust,» EE. UU, 2006.
Gomez, J. G., Hernandez, V., & Ramirez-Gonzalez, G. (2023). Traffic classification in IP networks through Machine Learning techniques in final systems. IEEE Access.
Oviedo, B., Zambrano-Vega, C., & Gómez, J. (2019). Clasificador Bayesiano Simple aplicado al aprendizaje. Revista Ibérica de Sistemas e Tecnologias de Informação, 18, 74-85.
Descargas
Publicado
Versiones
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA)
![Creative Commons License](http://i.creativecommons.org/l/by-nc/4.0/88x31.png)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.