Revista Científica Ciencia y Tecnología Vol 24 No 41
http://cienciaytecnologia.uteg.edu.ec
Detección de enfermedades en cultivos de maíz mediante imágenes
con visión artificial: un caso práctico
Disease detection in corn crops through images with artificial vision:
a practical case
José Ruiz Tamayo
1
jose.rt@purisima.tecnm.mx
https://orcid.org/0000-0002-4837-3696
Jazmín Trasviña Osorio
2
rosa.to@purisima.tecnm.mx
https://orcid.org/0000-0003-0895-2009
Erick Rojas Mancera
3
erick.rm@purisima.tecnm.mx
https://orcid.org/0000-0002-5965-9120
Recibido: 7/10/2023; Aceptado: 12/12/2023
RESUMEN
En México y el mundo, el maíz es una de las plantas más susceptible a padecimientos graves
que afectan su desarrollo y el rendimiento de la semilla. Factores como el cambio climático
y la llegada poco común de insectos vectores en la actualidad han propiciado que los
patógenos que afectan este tipo de cultivos se vuelvan más resistentes. Tener la certeza del
tipo de enfermedad que afecta a las plantas es importante en la agricultura ya que genera
una mejor toma de decisiones sobre la actuación previa a afectaciones graves. En la
actualidad se estima que el 65% del sector agrícola no cuenta con tecnología aplicada a la
sanidad vegetal. Se ha trabajado constantemente en el desarrollo de herramientas de visión
artificial, procesamiento digital de imágenes y aprendizaje automático para realizar
diagnósticos de enfermedades en cultivos. El presente estudio brinda una perspectiva
reciente de los avances tecnológicos en la detección de enfermedades en cultivos, su
eficiencia y la relación con la búsqueda de la construcción de un sector agrícola productivo y
sustentable. Se muestra además un caso de aplicación de detección de enfermedades
comunes en cultivos del centro de México, donde se logró un error de identificación mínimo
1
Doctorado en Ciencias de la Ingeniería, Tecnológico Nacional de México / ITS de Purísima del Rincón, México
2
Maestría en Ciencias y Tecnología en Ingeniería Industrial y Manufactura, Tecnológico Nacional de México / ITS
de Purísima del Rincón, México
3
Doctorado en Ciencias en Robótica y Manufactura Avanzada, Tecnológico Nacional de México / ITS de Purísima
del Rincón, México
Ruiz, Trasviña, Rojas.
Detección de enfermedades en cultivos de maíz mediante imágenes con visión artificial: un caso práctico
Palabras clave: maíz, enfermedades, redes convolucionantes, visión artificial, redes
neuronales artificiales.
ABSTRACT
In Mexico and the world, corn is one of the plants most susceptible to serious diseases that
affect its development and seed yield. Factors such as climate change and the unusual arrival
of insect vectors today have caused the pathogens that affect this type of crops to become
more resistant. Being certain of the type of disease that affects plants is important in
agriculture since it generates better decision-making about action prior to serious damage.
Currently, it is estimated that 65% of the agricultural sector does not have technology
applied to plant health. Constant work has been carried out on the development of artificial
vision, digital image processing and machine learning tools to diagnose diseases in crops.
The present study provides a recent perspective of technological advances in the detection
of diseases in crops, their efficiency, and the relationship with the search for the construction
of a productive and sustainable agricultural sector. A case of application of detection of
common diseases in crops in central Mexico is also shown, where a minimum identification
error was achieved.
Keywords: Corn, diseases, convolutional networks, computer vision, artificial neural
networks.
Introducción
El maíz ( Zea mays L. subsp. mays) es la segunda especie más cultivada en el mundo y, junto
con el arroz y el trigo, es uno de los tres principales cultivos de cereales. Para un tercio de la
población mundial, en el África subsahariana, el sudeste asiático y América Latina, el maíz
es el cultivo básico (Tanumihardjo, et al., 2020).
La producción de este grano es importante culturalmente y por tradición en gran parte de
Latinoamérica y su demanda tiene una tendencia creciente. Esta alta demanda trae consigo
grandes retos para el sector productivo y su cadena suministro.
Dentro de estos sectores estratégicos México tiene un papel de importador y exportador de
este tipo de grano. Considerando la última actualización de 2021 realizada por la Secretaría
de Agricultura y Desarrollo rural, en México se produjeron 27 millones de toneladas de maíz,
ocupando el séptimo puesto a nivel mundial. En el año 2022 genero exportaciones de
US$8.58 mil millones en ventas internacionales y compro un estimado de US$437 mil
Revista Científica Ciencia y Tecnología Vol 24 No 41
http://cienciaytecnologia.uteg.edu.ec
millones de compras a diversos países, siendo Estados Unidos el mayor proveedor de este
grano seguido por Brasil (Gobierno de México, 2023).
Para la Organización de las Naciones Unidas en su reporte sobre el panorama regional de
seguridad alimentaria y nutricional América Latina y en el Caribe 2022 resalta que la
inseguridad alimentaria es incidente en el 40% de esta población, sugiriendo que esta
directriz puede explicarse, en parte, por el hecho de que esta región es la que presenta un
mayor índice de desigualdad en el mundo y la que recibió un mayor impacto en diversos
sectores derivado de la pandemia de COVID-19.
La necesidad de un campo sustentable, con mejores prácticas productivas es latente en la
en los territorios de América Latina donde la inseguridad alimentaria es mayor. Alrededor
de un 40.6% de la población de la zona enfrentó en 2021 inseguridad alimentaria moderada
o grave, comparado con el promedio mundial de 29.3% (FAO, FIDA, OPS, PMA, UNICEF,
2023).
El Plan Nacional de Desarrollo (PND) (2019) el cual sigue los propósitos de los Objetivos de
Desarrollo Sostenible marcados por la Organización de las Naciones Unidas (ONU)
promueve la autosuficiencia en maíz y frijol durante la gestión de la administración actual
en México.
Nuevas tecnologías como la Inteligencia Artificial (IA) aplicadas en los sectores agrícolas
ofrecen posibilidad de ser una herramienta dinámica en el proceso de implementación de
mejores prácticas agrícolas. Desde evitar no solo gran parte del trabajo físico de la
producción agrícola, sino también el trabajo intelectual necesario para recopilar, analizar
información por medio de datos y tomar decisiones. Por lo tanto, puede ayudar a poner en
práctica la agricultura de precisión, ya que mejoran la puntualidad de las actividades y
permiten aplicar los insumos de manera más precisa y eficiente (Organización de las
Naciones Unidas para la Alimentación y la Agricultura (FAO), 2022).
El propósito de generar nuevas aplicaciones tecnológicas como la IA se busca implementar
sistemas automatizados que permitan la interacción con la fuente del problema y la
generación de escenarios de diagnóstico. Estas herramientas aplicadas en el sector agrícola
generan una toma de decisiones sobre el diagnóstico de manera rápida y con una taza de
Ruiz, Trasviña, Rojas.
Detección de enfermedades en cultivos de maíz mediante imágenes con visión artificial: un caso práctico
error mínima. Si los sistemas de diagnóstico son eficientes podrán entonces producir
beneficios que ayuden en la sustentabilidad ambiental.
Para generar entornos de diagnóstico con IA se ha generado investigación continuamente
como lo expuesto por (Venkataraju, et al., 2023) quienes plantean el estudio de las
investigaciones existentes con uso de modelos de aprendizaje automático para identificar
tipos de maleza en los cultivos. Los autores buscaron aquellas aplicaciones que realizan una
correcta clasificación e intervención de crecimientos de hierba invasora.
Los autores encontraron 35 artículos de investigación 8 de los cuales tratan sobre el uso de
Support Vector Machine, 10 usan redes neuronales y 17 usan técnicas misceláneas. El autor
explora los problemas de investigación, el tipo de datos, su preprocesamiento y la exactitud
de identificación. Otros ejemplos de uso de tecnología de IA para la detección de maleza han
sido reportados por Wang, Zhang, & Wei, (2019), Espejo-Garcia, et al., (2020) y Gothai, et
al., (2020)
El enfoque de uso de herramientas de IA para la predicción de rendimiento ha sido usado
por diversos autores. Kim, et al., (2020), describen un modelo optimizado de predicción de
rendimiento de maiz en condiciones climaticas extremas. Su implementación considera
imágenes satelitales, obteniendo que, de los seis modelos diferentes de IA usados , la red
neuronal de aprendizaje profundo obtiene mejores resultados.
En su investigacion sobre el rendimiento de maiz hibrido Sarijaloo, et al., (2021), prueban
diferentes modelos de aprendizaje siendo el XGBoost el que reduce el error cuadrático
medio identificando mejor el rendimiento del maiz. El estudio comparativo de modelos de
IA para estimar el rendimietno también se ha presentado por Shahhosseini, et al., (2020),
Shahhosseini (2021) y Freire de Oliveira, et al., (2022),
Bajo el enfoque de detección de plagas y enfermedades presentadas en las plantas del maíz
se han presentado diversas estrategias usando las nuevas herramientas de aprendizaje
automático de la IA. Waheed, et al., (2020), desarrollan la implementación de detección de
enfermedades usando la arquitectura de Red Convolucional DenseNet, EfficientNet,
VGG19net, NASNet y XceptionNet, siendo DenseNEt la que logra una presión de 98.06%
para la detección cultivo sano, manchas por Cercospora, roya comun y tizón foliar.
Revista Científica Ciencia y Tecnología Vol 24 No 41
http://cienciaytecnologia.uteg.edu.ec
La investigación propuesta por Yu, et al., (2021), proponen un método basado en k-medias
y un modelo de aprendizaje profundo mejorado para tres de las principales enfermedades
(mancha gris, mancha foliar y roya) usando bases de datos logrando una eficiencia de 93%
en el reconocimiento.
Fraiwan, Faouri, & Khasawneh, (2022) presentan el uso de Redes Neuronales
Convolucionales para la deteccion de manchas ocasionadas por Cercospora, roya comun y
tizón foliar del norte logrando buenas logrando una precisión del 98% en la detección. Otras
investigaciones que proponen el uso de redes convolucionales como herramienta para
detección de padecimientos son los presentados por Mishra , Sachan, & Rajpal, (2020)
aplicación en tiempo real de detección en cultivos en la India. Zeng , et al., (2022) realizan su
trabajo clasificando enfermedades en maíz con la red SKPSNet-50 y (Yin, et al., 2022)
creando la red DISE-Net con menor error que las otras redes convolucionales evaluadas.
Esta marcada tendencia de mejorar las decisiones y optimizar los rendimientos de diversos
productos se repite de manera constante en todo el mundo. En este punto radica la
necesidad de realizar un estudio focalizado en la región del centro de México con
investigaciones que generen propuesta de implementación de técnicas de IA
Redes Convolucionales: principios de funcionamiento
La red neuronal convolucional es un tipo especial de red neuronal multicapa o arquitectura
de aprendizaje profundo inspirada en el sistema visual de los seres vivos. La red es muy
adecuada para diferentes campos de la visión por computadora y el procesamiento del
lenguaje natural (Ghosh, Sultana , & Chakrabarti, 2020).
Una red neuronal convolucional generalmente consta de una o más capas convolucionales
y capas completamente conectadas e incluye ReLU y capas de agrupación (Yamashita,
Nishio, Do, & Togashi, 2018). Las neuronas de la capa convolucional están dispuestas en una
matriz para formar un mapa de características multicanal. Una neurona en cada canal está
conectada solo a una parte del mapa de características antes de esa capa (Liu & Wang, 2021).
La salida de la neurona se obtiene convolucionándola con un núcleo de convolución y luego
usando una función de activación. Las neuronas ubicadas en el mismo mapa de
características del canal de la misma capa convolucional se obtienen aplicando el mismo
Ruiz, Trasviña, Rojas.
Detección de enfermedades en cultivos de maíz mediante imágenes con visión artificial: un caso práctico
núcleo convolucional al mapa de características anterior de la capa. Guiada por
características locales en mapas de características superiores, la capa convolucional busca
vínculos entre ellas, mientras que las capas de agrupación combinan datos con la misma
semántica (Alzubaidi, et al., 2021). Un ejemplo de una red convolucionante se muestra en la
figura 1 a continuación.
Figura 1: Ejemplo de arquitectura de Red Neuronal Convolucional
para la clasificación de imágenes
Fuente: Alzubaidi, et al., 2021
Enfermedades presentantes en hojas de maíz
El maíz, al ser una fuente de alimentos primordial en los pueblos de América Latina,
deber ser cuidado de enfermedades originadas por hongos, bacterias, virus y
parásitos. Regularmente el diagnóstico visual es la forma común de identificar que
la planta presenta un padecimiento. Esta detección suele basarse en cambios de
color, existencia de manchas, zonas podridas o secas en las hojas (Kusumo, Heryana,
Mahendra, & Pardede, 2018), (Manavalan, 2020).
Considerando investigaciones y reportes presentados por investigadores como son
el Centro Internacional de Mejoramiento de Maíz y Trigo (CIMMYT) (2004), Varón de
Agudelo & Sarria Villa ,en 2007, y Varón de Arguello, et al., en 2022, se ha
generalizado una clasificación unificada de criterios para la categorización de
enfermedades según el tipo de organismo que genera el daño cuyo resultado se
muestra en la figura 2.
Revista Científica Ciencia y Tecnología Vol 24 No 41
http://cienciaytecnologia.uteg.edu.ec
Figura 2: Clasificación de enfermedades de maíz y origen
Fuente: Elaboración propia
La categorización presentada considera únicamente infecciones que se presentan o
manifiestan de manera directa o indirecta en el follaje de las plantas de maíz. Para el
presente estudio se consideran las enfermedades foliares para la identificación con
el uso de una Red Neuronal Convolucional. Se descarta el diagnóstico para tallos,
mazorca y espiga para unificar el criterio de identificación con la red y no generarle
ruido.
Metodología para reconocimiento de patrones con Red Convolucional
La investigación realizada parte de la aplicación de Redes Neuronales
Convolucionales, en específico la arquitectura prediseñada GoogLeNet, modelo de
red diseñada para la clasificación de imágenes. Para realizarla se consideró la
siguiente estructura metodológica que permitió evaluar e identificar las
enfermedades presentadas en el campo del centro de México.
La figura 3 muestra esquemáticamente el desarrollo de las etapas de la metodología
seguida para el desarrollo de la investigación de enfermedades en las hojas de
plantas de maíz. LA metodología se divide en dos etapas principales; la etapa de
tareas documentales y toma de muestras y tareas de reconocimiento de patrones.
Ruiz, Trasviña, Rojas.
Detección de enfermedades en cultivos de maíz mediante imágenes con visión artificial: un caso práctico
Figura 3: Etapas de la metodología para la identificación de enfermedades en maíz
Fuente: Elaboración propia
Etapa 1. Tareas documentales y de toma de muestras
Investigación documental
Se recuperar información sobre los tipos de enfermedades de plantas de maíz
que se presentan en diversos estudios y reportes técnico.
Generación de catálogo de enfermedades
Derivado de la investigación es deseable generar un catálogo de
enfermedades comunes en la zona de estudio.
Estandarización de condiciones de captura de muestra
Estandarizar las condiciones de toma de fotografías a los ejemplares para ser
consideradas objeto de estudio con la técnica de Redes Neuronales
Convolucionales
Toma de muestras
Proceder a la toma de muestras en campos de cultivo de maíz la
inicial es la zona centro de México
Etapa 2. Tareas de reconocimiento de patrones
Generar de base de datos de entrenamiento y generar de datos de
prueba
Revista Científica Ciencia y Tecnología Vol 24 No 41
http://cienciaytecnologia.uteg.edu.ec
Conformación de la base de datos definiendo el tipo de formato de
la imagen, normalización, cantidad.
Implementar de red neuronal
Generar el entrenamiento
Determinar los parámetros de operación de la red neuronal
Determinar de eficiencia de la red
Verificar la correcta clasificación de enfermedades de maíz cuando
la base de datos se somete a la prueba
Resultados y discusión
Resultados de Etapa 1. Tareas documentales y toma de muestras
Investigación y categorización de enfermedades foliares
El estudio se realizó en la zona centro de México, específicamente en la zona
conocida como “Bajío” que durante siglos ha sido propicia para la producción
agrícola. Este trabajo parte de la necesidad regional de diagnóstico de
enfermedades por medio de IA en la región. Para esta primera etapa se logró definir
el catálogo de enfermedades del maíz. En la Tabla 1 se muestran las enfermedades
que se encuentran estacionadas en la región.
Tabla 1. Enfermedades con incidencia en zona Bajío y género científico
ENFERMEDADES CON INCIDENCIA EN MÉXICO Y ZONA BAJÍO
Causadas por hongos
Manchas foliares o tizón*
Helmintosporium maydis y Cercospora
Roya de maíz*
Pukana sorghi, P polyspora, physopella zeae
Mancha Café (peca)
Physoderma maydis
Mildius velloso (cenicillas)
Peronoclespora, Selerospora
Borde Blanco, tizón
Variades de Marasmiellus
Causadas por plaga
Gusano soldado*
Spodoptera exigua en follaje
Picudos*
Geraeus senilis, Nicentrites testaceipes
Araña roja*
Olygonychus mexicanus, Tetranidus sp
Causadas por bacterias
Marchitez de Stewar
Erwinia stewartii
Ruiz, Trasviña, Rojas.
Detección de enfermedades en cultivos de maíz mediante imágenes con visión artificial: un caso práctico
Rayado Foliar Bacteriano
Variedades de Pseudomonas y Rubrilineans
Causadas por virus
Moteado Clorútico del maíz
Maize chlorotic mottle virus (MCMV)
Virus rayado fino del maíz
Maize rayado fino virus (MRFV)
Virus del rayado del maíz*
Maize streak virus (MVS)
Fuente: elaboración propia
Para el presente estudio se determinó la selección de cuatro tipos de enfermedades a
examinar; Roya de maíz, Manchas foliares o tizón, plagas y Virus del rayado del maíz. La
elección de estos padecimientos se basó considerando dos criterios fundamentales. El
primero se fundamentó en el factor endémico de la enfermedad, en otras palabras,
considerando que cada año se presentan estas enfermedades de las hojas de maíz. El
siguiente criterio fue la disponibilidad para la recuperación de muestras debido a los ciclos
de siembra y cosecha.
Mancha foliar (Cercospora)
También se conoce como mancha gris de la hoja. Aparece en zonas con humedad y
templadas. Las lesiones se manifiestan con afectaciones necróticas regulares y
alargadas color café grisáceo. La afectación directa en la planta es la baja de
rendimiento de grano (ver figura 4).
Figura 4: Manchas foliares por Cescospora
Fuente: CIMMYT (2004)
Roya de maíz
Revista Científica Ciencia y Tecnología Vol 24 No 41
http://cienciaytecnologia.uteg.edu.ec
Afectación que se presenta regularmente en climas templados o tropicales. Es frecuente que
se presente antes de la floración. Se presenta como pústulas pequeñas y polvosas.
Comienzan con una coloración café, pero conforme avanza la infección y la epidermis
rompe, su coloración puede cambiar a negra (ver figura 5).
Figura 5: Afectación presentada por roya de maíz
Fuente: CIMMYT (2004)
Plagas
La presencia de plagas en la toma de muestra permitió identificar tres insectos que son
considerados plaga en el cultivo de maíz y, en caso de no tomar medidas de saneamiento,
tienen repercusiones en las hojas del maíz y en el rendimiento del grano (ver figura 6).
El gusano soldado: la larva pasa por cinco instares, pero en el cuarto instar se come hasta el
80% de todo el follaje que consumirá al terminar el ciclo de maduración. La hembra llega a
colocar hasta 2,000 huevos, lo que sugiere una alta taza de reproducción.
Picudos: tiene como característica que no rompe la hoja del maíz, solo come una milimétrica
parte superficial dejando una marca “blanca” sobre la hoja. Cuando existen muchos insectos
en el cultivo, las líneas son trazadas una y otra vez, por lo que el aspecto visual es el de una
mancha blanca. Su incidencia aumenta en la época de temporal.
Araña roja: es una plaga que en los cultivos presenta una estacionalidad de siete
generaciones. Su ciclo de reproducción es constante con hasta 19 huevos por día. El daño
con mayor impacto es cuando en fase de ácaros dañan las hojas superiores y la mazorca,
manifestación que tiene mucha similitud al que presenta la planta cuando se presenta estrés
por sequía, incluso llegando a ser confundidas estas afectaciones.
Ruiz, Trasviña, Rojas.
Detección de enfermedades en cultivos de maíz mediante imágenes con visión artificial: un caso práctico
Figura 6: Plagas a) Gusano soldado b) picudos, c) araña roja
Fuente: CASAVEG (2020), Pioneer (2022)
El virus rayado del maíz
Es un virus que se transmite por medio de insectos vectores como las chicharritas del género
Cicadulina spp. Entre ellas, C. mbila (Naudé) es la especie más importante, ya que, al
alimentarse en una planta infectada, el insecto se convierte en portador y propaga la
infección. Los primeros síntomas de la enfermedad, que consisten en manchas muy
pequeñas, redondas y aisladas en las hojas más nuevas, se manifiestan siete días después
del contagio.
El número de manchas aumenta a medida que la planta crece. Las hojas desarrolladas
muestran una clorosis con rayas discontinuas amarillas a lo largo de las nervaduras, que
contrastan con el color verde oscuro del follaje normal. Si la infección es demasiado grava la
planta deja de crecer (ver figura 7).
Figura 7: Afectación por virus rayado del maíz
Fuente: Licencia libre
Estandarización de captura y muestreo
Revista Científica Ciencia y Tecnología Vol 24 No 41
http://cienciaytecnologia.uteg.edu.ec
Para la toma de muestras solo se consideraron tres factores importantes:
La resolución de la imagen no debe ser menor a 8 megapíxeles ni mayor a 16
megapíxeles.
El formato de archivo de las imágenes debió ser en JPG
La toma debió ser en exterior con luz natural solar, evitando el uso de luz adicional
(evitando el uso de flash), y con posiciones de captura de imagen que evitaran el
reflejo de la propia luz natural.
Resultados de Etapa 2. Tareas de identificación de patrones
Generación de bases de datos para entrenamiento, validación y prueba.
Esta investigación usó el software MatLab 2022b el módulo de diseño de redes “Deep
Network Desing”.
Para generar la identificación usando una Red Neuronal Convolucional se contó con una
base de datos inicial. Cada una de las enfermedades se convirtió en niveles de clase para la
red. Para el proceso de entrenamiento la red neuronal no requirió tratamientos previos de la
imagen ya que el trabajo de estandarización se programa al diseñar la red. Las de cuatro
tipos de enfermedades examinadas fueron; Roya de maíz, Manchas foliares o tizón, plagas
y Virus del rayado del maíz. Las bases de datos para cada proceso de la red se muestran en
la tabla 2.
Tabla 2. Distribución de datos para el funcionamiento de la Red Convolucional
Cantidad de datos
Datos de entrenamiento
Porcentaje destinado a
validación
400
imágenes
iniciales
280 (70% de los datos
iniciales)
120 datos (30% de los datos
iniciales)
Fuente: Elaboración propia
Estructura de la red neuronal y parámetros de operación
Ruiz, Trasviña, Rojas.
Detección de enfermedades en cultivos de maíz mediante imágenes con visión artificial: un caso práctico
La red queda definida para el procesamiento de imágenes con una tarea de clasificación. La
red compleja queda definida con un total de 144 capas y 170 conexiones.
La red estuvo compuesta por 11 unidades de procesamiento de entrada. Las capas de
convolución contaron además de elementos adicionales como son las funciones de
activación. Cada capa de la red consideró con unidades de procesamiento lineal cuya
entrada va a influir en la capa de salida. Un ejemplo de una sección capas de procesamiento
de la Red Convolucional se muestra en la figura 8.
Figura 8: Capas de la Red Neuronal Convolucionante
Fuente: Elaboración propia
Carga de bases de datos para alimentar a la red
Los datos se nombraron y almacenaron en carpetas identificables de acuerdo con la
enfermedad que se trataba. Primero se creo la red y valido que no existieran errores o alertas
en su estructura que comprometieran los procesos posteriores de procesamiento. La figura
9 muestra como la red logra leer los folders con cada clase de enfermedad.
Revista Científica Ciencia y Tecnología Vol 24 No 41
http://cienciaytecnologia.uteg.edu.ec
Figura 9: Identificación de categorías en la red neuronal
Fuente: MaLlab 2022b
El entrenamiento y validación de los datos se realizo en un total de 50 iteraciones en
aproximadamente 10 épocas (ver figura 10). Conforme la red avanza en su entrenamiento el
error de identificación de patrones de imágenes se hace más fuerte. Al finaliza el desempeño
de red para al lograr la validación fue de 85.32%, esto asegura que cuando nuevas imágenes
de enfermedades en hojas de maíz tendrá dicho porcentaje de asertividad.
Figura 10: Identificación de categorías en la red neuronal
Fuente: MatLab 2022b
En la figura 11 se muestra un ejemplo de una correcta identificación de enfermedad causada
por el virus del rayado del maíz (Maíz streak virus, MSV).
Ruiz, Trasviña, Rojas.
Detección de enfermedades en cultivos de maíz mediante imágenes con visión artificial: un caso práctico
Figura 11: Correcta identificación del virus de rayado del maíz
Fuente: MatLab 2022b
Conclusiones
El uso de nuevas tecnologías como la IA, son fundamentales para potencializar las decisiones
que se toman en el sector agrícola. La implementación de Redes Neuronales
Convolucionales resulta una estrategia viable para identificar enfermedades foliares en el
maíz.
Esta red representa una opción factible que permite tomar decisiones sobre el tratamiento
más adecuado a realizar en las siembras que se ven afectadas. Si bien las enfermedades que
afectan las hojas de maíz parecieran no estar relacionadas con el fruto, cuando éstas se
presentan merman la calidad, cantidad del grano y la integridad de la mazorca de maíz. Es
por esto por lo que esta red, como herramienta de detección temprana, busca que las
decisiones que se tomen impacten en la reducción de pérdidas y maximicen la eficiencia
global de la zona de cultivo.
El uso de Redes Neuronales Convolucionales y de las tecnologías de IA disponibles en el
sector agrícola pueden significar un avance en la mejora de las condiciones para que el
campo brinde más alimentos a la población y sea sustentable en beneficio de la sociedad.
A partir del funcionamiento reportando en este trabajo se plantea como trabajo futuro
mejorar las condiciones de operación de la red con la finalidad de que la efectividad de
detección sea más robusta.
Revista Científica Ciencia y Tecnología Vol 24 No 41
http://cienciaytecnologia.uteg.edu.ec
Referencias bibliográficas
Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A., Duan , Y., Al-Shamma, O., . . . Farhan,
L. (2021). Review of deep learning: Concepts, CNN architectures, challenges,
applications, future directions. J. Big Data, 8(53). doi:https://doi.org/10.1186/s40537-
021-00444-8
Centro Internacional de Mejoramiento de Maíz y Trigo (CIMMYT). (2004). Enfermedades del
maíz: una guía para su identificación en el campo. Ciudad de México: CIMMYT.
Espejo-Garcia, B., Mylonas, N., Athanasakos, L., Spyros Fountas, S., & Vasilakoglou, I.
(2020). Towards weeds identification assistance through transfer learning. Comput.
Electron, 171, 105306. doi:https://doi.org/10.1016/j.compag.2020.105306
FAO, FIDA, OPS, PMA, UNICEF. (2023). Panorama regional de la seguridad alimentaria y
nutricional - América Latina y el Caribe 2022: hacia una mejor asequibilidad de las dietas
saludables. Santiago de Chile: Organización de las Naciones Unidas para la
Alimentación y la Agricultura (FAO).
Fraiwan, M., Faouri, E., & Khasawneh, N. (2022). Classification of Corn Diseases from Leaf
Images Using Deep Transfer Learning. Plants, 11(20), 2668.
doi:https://doi.org/10.3390/plants11202668
Freire de Oliveira, M., Valezka Ortiz, B., Trímer Morata, G., Jiménez, A. F., de Souza Rolim,
G., & Pereira da Silva, R. (2022). Training Machine Learning Algorithms Using Remote
Sensing and Topographic Indices for Corn Yield Prediction. Remote Sensing, 14(23), 1-
24. doi:https://doi.org/10.3390/rs14236171
Ghosh, A., Sultana , F., & Chakrabarti, A. (2020). Fundamental Concepts of Convolutional
Neural Network. En V. Balas, R. Kumar, & R. Srivastava, Recent Trends and Advances in
Artificial Intelligence and Internet of Things. Intelligent Systems Reference Library (Vol.
172, págs. 519-567). Springer, Cham. doi:https://doi.org/10.1007/978-3-030-32644-9_36
Gobierno de México. (2019). Plan Nacional de Desarrollo 2019-2024. Gobierno de México.
Gobierno de México. (15 de 08 de 2023). Gobierno de México. Obtenido de Data México:
https://www.economia.gob.mx/datamexico/es/profile/product/corn?internationalSale
sStartYearSelector2=2021
Gothai, E., Natesan, P., Aishwariya, S., Aarthy, T. B., & Brijpal Singh, G. (2020). 2020 Fourth
International Conference on Computing Methodologies and Communication (ICCMC).
Weed Identification using Convolutional Neural Network and Convolutional Neural
Network Architectures (pp. 958-965). Erode, India.
doi:10.1109/ICCMC48092.2020.ICCMC-000178.
Kim, N., Na, S.-I., Park, C.-W., Huh, M., Oh, J., Ha, K.-J., . . . Lee, Y.-W. (2020). . An Artificial
Intelligence Approach to Prediction of Corn Yields under Extreme Weather Conditions
Using Satellite and Meteorological Data. Applied Sciences, 10((11)), 37585.
doi:https://doi.org/10.3390/app10113785
Kusumo, B. S., Heryana, A., Mahendra, O., & Pardede, H. F. (2018). Machine Learning-based
for Automatic Detection of Corn-Plant Diseases Using Image Processing. 2018
International Conference on Computer, Control, Informatics and its Applications (IC3INA),
93-97. doi:10.1109/IC3INA.2018.8629507.
Liu, J., & Wang, X. (2021). Plant diseases and pests detection based on deep learning: A
review. Plant Methods, 17(22). doi: https://doi.org/10.1186/s13007-021-00722-9
Ruiz, Trasviña, Rojas.
Detección de enfermedades en cultivos de maíz mediante imágenes con visión artificial: un caso práctico
Manavalan, R. (2020). Automatic identification of diseases in grains crops through
computational approaches: A review. Computers and Electronics in Agriculture, 178,
105802. doi:https://doi.org/10.1016/j.compag.2020.105802
Mishra , S., Sachan, R., & Rajpal, D. (2020). Deep Convolutional Neural Network based
Detection System for Real-time Corn Plant Disease Recognition. Procedia Computer
Science, 167, 2003-2010. doi:https://doi.org/10.1016/j.procs.2020.03.236
Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO). (2022). El
estado mundial de la agricultura y la alimentación 2022. Aprovechar la automatización de
la agricultura para. Roma: Organización de las Naciones Unidas para la Alimentación y
la Agricultura (FAO).
Sarijaloo, F. B., Porta, M., Taslimi, B., & Pardalos, P. M. (2021). Yield performance estimation
of corn hybrids using machine learning algorithms. , Artificial Intelligence in Agriculture,
5, 82-89. doi:https://doi.org/10.1016/j.aiia.2021.05.001.
Secretraría de Agricultura y Desarrollo Rural. (10 de 03 de 2023). Gobierno de Mexico.
Obtenido de Maíz, Cultivo de México: https://www.gob.mx/agricultura/articulos/maiz-
cultivo-de-
mexico#:~:text=Cultivo%20de%20ma%C3%ADz%20en%20M%C3%A9xico,los%2032
%20estados%20del%20pa%C3%ADs.
Shahhosseini, M., Hu, G., & Archontoulis, S. V. (2020). Forecasting Corn Yield With Machine
Learning Ensembles. Frontiers in Plant Science: Methods, 11, 1-16.
doi:https://doi.org/10.3389/fpls.2020.01120
Tanumihardjo, S. A., McCulley, L., Roh, H., López-Ridaura, S., Palacios-Rojas, N., &
Gunaratna, N. S. (2020). Maize agro-food systems to ensure food and nutrition security
in reference to the Sustainable Development Goals. Global Food Security, 25.
Varón de Agudelo, F., & Sarria Villa , G. A. (2007). Enfermedades del maíz y su manejo.
Palmira: Instituto Colombiano Agropecuario.
Varón de Arguello, F., Rodríguez Chalarca, J., Villalobos Saa, J. C., & Parody Restrepo , J.
(2022). Manual de enfermedades y plagas del maíz. Ciudad de México: Advanta Seed.
Venkataraju, A., Arumugam, D., Stepan, C., Kiran, R., & Peters, T. (2023). A review of
machine learning techniques for identifying weeds in corn. Smart Agricultural
Technology.
Waheed, A., Goyal, M., Gupta, D., Khanna, A., Hassanien, A. E., & Pandey, H. M. (2020). An
optimized dense convolutional neural network model for disease recognition and
classification in corn leaf. Computers and Electronics in Agriculture, 175, 105456.
doi:https://doi.org/10.1016/j.compag.2020.105456.
Wang, A., Zhang, W., & Wei, X. (2019). A review on weed detection using ground based
machine vision and image processing techniques. Comput. Electron. Agric, 226-240.
doi:https://doi.org/10.1016/j.compag.2019.02.005
Yamashita, R., Nishio, M., Do, R., & Togashi, K. (2018). Convolutional neural networks: An
overview and application in radiology. Insights Imaging, 9, 611-629.
doi:https://doi.org/10.1007/s11063-020-10244-5
Yin, C., Zeng, T., Zhang , H., Fu, W., Wang, L., & Yao, S. (2022). Maize Small Leaf Spot
Classification Based on Improved Deep Convolutional Neural Networks with a Multi-
Scale Attention Mechanism. Agronomy, 14(2).
doi:https://doi.org/10.3390/agronomy12040906
Revista Científica Ciencia y Tecnología Vol 24 No 41
http://cienciaytecnologia.uteg.edu.ec
Yu, H., Liu, J., Chen, C., Heidari, A. A., & Zhang, Q. (2021). Corn Leaf Diseases Diagnosis
Based on K-Means Clustering and Deep Learning. IEEE Access, 9, 143824-143835.
doi:10.1109/ACCESS.2021.3120379
Zeng , W., Li, H., Hu , G., & Liang, D. (2022). Identification of maize leaf diseases by using
the SKPSNet-50 convolutional neural network model. Sustainable Computing:
Informatics and Systems, 35, 100695. doi:https://doi.org/10.1016/j.suscom.2022.100695