Detección de enfermedades en cultivos de maíz mediante imágenes con visión artificial: un caso práctico
DOI:
https://doi.org/10.47189/rcct.v24i41.681Palabras clave:
maíz, enfermedades, redes convolucionantes, visión artificial, redes neuronales artificialesResumen
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
Descargas
Citas
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?internationalSalesStartYearSelector2=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
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
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
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Revista Científica Ciencia y Tecnología
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
