Reconocimiento de lesiones necróticas para la detección de la plaga thrips en el guisante mediante el uso del modelo deep learning yolov4 tiny

Diana Martínez Mosquera; Carlos Jonathan Guerrero Andrade

Ayuda

Reconocimiento de lesiones necróticas para la detección de la plaga thrips en el guisante mediante el uso del modelo deep learning yolov4 tiny

Martínez Mosquera, Silvia Diana ^[1] ; Guerrero-Andrade, Carlos Jonathan ^[2]
1. [1] Escuela Politécnica Nacional
  
  Escuela Politécnica Nacional
  
  Quito, Ecuador
2. [2] Universidad Técnica del Norte
  
  Universidad Técnica del Norte
  
  San Miguel De Ibarra, Ecuador
Localización: Latin-American Journal of Computing (LAJC), ISSN-e 1390-9134, ISSN 1390-9266, Vol. 9, Nº. 1, 2022, págs. 46-59
Idioma: español
Títulos paralelos:
- Recognition of necrotic lesions for the detection of the thrips plague in peas using the deep learning model yolov4-tiny
Enlaces
- Texto completo
Resumen
- español
  En la actualidad, el seguimiento de cultivos en las parcelas agrícolas sigue siendo una de las tareas más trascendentales que tiene la agricultura de precisión, ya que por medio de esta se puede efectuar la estimación del rendimiento y la predicción de cosechas. Debido a las complicadas condiciones atmosféricas y factores climáticos que presenta el sector, la detección temprana de plagas y enfermedades se ha convertido en un desafío considerable que los productores deben asumir de manera constante. Esta investigación propone un sistema de reconocimiento rápido y eficaz de lesiones necróticas para la detección temprana de la plaga thrips en el guisante mediante la implementación del método de deep learning yolov4-tiny. Los resultados alcanzados por el sistema desarrollado mostraron que la IoU (Intersección sobre la Unión) es de 59,23% para una mAP (Precisión Media) de 87,8% sobre un conjunto de datos de alta densidad. Además, cada uno de los valores entregados por el sistema fueron comparados con un diagnóstico prescrito que fue realizado por un experto en la producción del cultivo a través de observaciones directas al guisante. De esta manera, se llegó a establecer que el sistema tiene una efectividad del 80%.
- English
  At present, the monitoring of crops in agricultural plots remains one of the most important tasks that precision agriculture has since through it is possible to perform the estimation of the yield and the prediction of crops. Due to the complicated atmospheric conditions and climatic factors that the sector presents, the early detection of pests and diseases has become a considerable challenge that producers must constantly assume. This research proposes a rapid and effective necrotic lesion recognition system for the early detection of the thrips infestation in peas by implementing the yolov4-tiny deep learning method. The results obtained by the developed system showed that the IoU (Intersection at the Union) is 59.23% for an mAP (Medium Precision) of 87.8% in a high-density data set. In addition, each of the values delivered by the system was compared with a prescribed diagnosis that was made by an expert in crop production through direct observations of the pea. In this way, it was established that the system is 80% effective.
Referencias bibliográficas
- CEPAL, «Perspectivas de la agricultura y del desarrollo rural en las Américas: una mirada hacia América Latina y el Caribe 2019-2020,» 02...
- CGSPACE, «Retos del Cambio Climático para la Agricultura en América Latina y el Caribe,» 11 2018. [En línea]. Disponible: https://cgspace.cgiar.org/rest/bitstreams/160740/retrieve....
- D. R. Prado Jiménez, «Identificación de las principales plagas del cultivo de arveja (Pisum sativum L.)en la comunidad de Canchaguano, cantón...
- R. Bereinsten y Y. Edan, «Automatic Adjustable Spraying Device for Site-Specific Agricultural Application,» 02 03 2017. [En línea]. Disponible:...
- Secretaría Técnica Planificación Ecuador, «Plan Nacional de Desarrollo 2017-2021,» 2017. [En línea]. Disponible: https://www.planificacion.gob.ec/wp-content/uploads/downloads/2017/10/PNBV-26-OCT-FINAL_0K.compressed1.pdf....
- MAGAP, «Boletin Situacional - Arveja 2017,» 13 11 2018. [En línea]. Disponible: https://fliphtml5.com/ijia/dkgk/basic. [Último acceso: 09...
- A. Angulo Pérez, «Identificación de las principales plagas yenfermedades en el cultivo de arveja (Pisum sativum), parroquia Bolívar, cantón...
- C. G. Delgado Chamorro, «Efecto del ácido acetilsalicílico para activación de defensas en el cultivo de arveja (Pisum sativum),en el sector...
- E. J. Tirira Tirira , «Estudio de factibilidad de un centro de acopio para la comercialización de arveja tierna (pisum sativum) en la provincia...
- GADM-Bolívar, «PLAN DE DESARROLLO Y ORDENAMIENTO TERRITORIAL DEL CANTÓN BOLÍVAR,» 20 04 2015. [En línea]. Disponible: https://bit.ly/3gCIUWP....
- R. Dalai y K. Kumar Senapati, «An Intelligent Vision based Pest Detection System Using RCNN based Deep Learning Mechanism,» 13 02 2020. [En...
- Y. Ai, C. Sun, J. Tie y X. Cai, «Research on Recognition Model of Crop Diseases and Insect Pests Based on Deep Learning in Harsh Environments,»...
- H. Kuzuhara, H. Takimoto, Y. Sato y A. Kanagawa, «Insect Pest Detection and Identification Method Based on Deep Learning for Realizing a Pest...
- C.-J. Chen, Y.-Y. Huang, Y.-S. Li, Y.-C. Chen, C.-Y. Chang y Y.-M. Huang, «Identification of Fruit Tree Pests With Deep Learning on Embedded...
- A. S. Chakravarthy y S. Raman, «Early Blight Identification in Tomato Leaves using Deep Learning,» 27 04 2020. [En línea]. Disponible: https://ieeexplore.ieee.org/abstract/document/9077010/authors#authors....
- K. Li, J. Zhu y N. Li, «Insect Detection and Counting Based on YOLOv3 Model,» 16 06 2021. [En línea].Disponible: https://ieeexplore.ieee.org/document/9450898....
- C. E. Toledo Perdomo y H. A. Sagastume Mena, «Diversidad de los tisanopteros (Insecta: Thysanoptera) presenta en el cultivo de arveja china...
- O. A. Zavala Salas, «Detección simultánea, por medio de CNN, de multiples robots NAO dentro de un campo de fútbol con apliación a RoboCup,»...
- Aprende Machine Learning, «Modelos de Detección de Objetos,» 21 11 2020. [En línea]. Available: https://www.aprendemachinelearning.com/modelos-de-deteccion-de-objetos/....
- D. Sanz Cabreros, «Desarrollo e implementación IoT de un sistema de reconocimiento de imágenes a nivel industrial,» 17 02 2019. [En línea]....
- viso.ai, «YOLOv3: Algoritmo de detección de objetos en tiempo real (¿Qué hay de nuevo,» 25 02 2021. [En línea]. Disponible: https://viso.ai/deep-learning/yolov3-overview/....
- R. Ruz Gómez y A. Simón Rodríguez, «Evaluación de algoritmos de Machine Learning para la conducción,» 2020. [En línea]. Disponible: https://bit.ly/3gGZsNb....
- ResearchGate, «Estructura general de Yolov4,» www.researchgate.net, 08 2021. [En línea]. Disponible: https://www.researchgate.net/figure/Overall-structure-of...
- B. Gong, D. Ergu , Y. Cai y B. Ma, «A Method for Wheat Head Detection Based on Yolov4,» 07 10 2020. [En línea]. Disponible: https://assets.researchsquare.com/files/rs-86158/v1_covered.pdf?c=1631843117....
- L. Heinsius, «Real-Time YOLOv4 FPGA Design with Catapult High-Level Synthesis,» 18 06 2021. [En línea]. Disponible: http://essay.utwente.nl/86465/1/Heinsius_MA_EEMCS.pdf....