This is an outdated version published on 2023-12-30. Read the most recent version.

DISEASES AND PESTS IDENTIFICATION SYSTEM IN WATERMELON CULTIVATION

Authors

DOI:

https://doi.org/10.24054/rcta.v2i42.2674

Keywords:

Image processing, computer or automated learning, supervised learning, unsupervised learning, watermelon, artificial intelligence, artificial vision

Abstract

In this study, a mobile application was developed under the name “Sandiapp”, with the aim of identifying the different pests and diseases that affect the cultivation of watermelon in the municipality of San Bernardo del Viento - Córdoba. To meet this objective, a field survey was carried out using the quantitative method, as a systematic study of the facts within which the case was presented, to obtain useful information to formulate the proposal and support the proposal through a system that through machine learning identifies the types of pests and Diseases that affect watermelon crops. For the development of this project, certain artificial vision algorithms were used, which consists of recognizing shapes, distances, angles, colors and determining the dimensions of the watermelon plant. To carry out this procedure, the shape and size of the sheet has been considered. Through the tests carried out during the development of this work, it is concluded that: Through the implementation of the artificial vision system, the increase in the percentage of farmers was demonstrated, which now has a higher level of information on pests and diseases of the watermelon crop.

Downloads

Download data is not yet available.

References

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.

How to Cite

Cueto Morelo, R., Atencio Flórez, J., & Gómez Gómez, J. E. (2023). DISEASES AND PESTS IDENTIFICATION SYSTEM IN WATERMELON CULTIVATION. COLOMBIAN JOURNAL OF ADVANCED TECHNOLOGIES, 2(42), 93–104. https://doi.org/10.24054/rcta.v2i42.2674 (Original work published December 15, 2023)