Detección de enfermedades de la fresa en agricultura de precisión

La detección de enfermedades de los cultivos en la agricultura de precisión tiene un impacto importante en la agricultura, mejorando la producción y reduciendo las pérdidas económicas. Es por esto que se han hecho algunos esfuerzos en esta dirección. Este artículo compara 4 algoritmos de detección de objetos basados ​​en Deep Learning para detectar enfermedades en cultivos de fresa. Aquí, presentamos un avance hacia la detección de las enfermedades más comunes presentes en la fresa para evitar pérdidas económicas. El objetivo principal es detectar tres enfermedades de los cultivos de fresa. Botrytis cinerea, quemaduras en las hojas y Oídio, para tomar medidas adicionales si los cultivos no son saludables. Hemos elegido estas tres enfermedades porque son problemas frecuentes e impredecibles, y el riesgo de que se generen es alto. Para ello, entrenamos cuatro algoritmos, dos basados ​​en Single Shot MultiBox Detector y dos basados ​​en el algoritmo EfficientDet. Centramos el análisis en los dos mejores resultados en función de la precisión media media. Usamos Google Colab para el entrenamiento, luego se usaron una computadora central Core i5 y una Nvidia Jetson nano para las pruebas. Hemos conseguido una red de detección con una precisión media media del 81% en el mejor de los casos, en la detección de las tres clases propuestas. Al usar una NVIDIA Jetson nano, la precisión aumenta hasta un 86% debido a la GPU dedicada que procesa redes neuronales convolucionales (CNN).

• Autores: Aguirre Rojas, Daniel Santiago
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2021
• Institución: Universidad Militar Nueva Granada
• Repositorio: Repositorio UMNG
• Idioma: spa
• OAI Identifier: oai:repository.unimilitar.edu.co:10654/40519
• Acceso en línea: http://hdl.handle.net/10654/40519
• Palabra clave: AGRICULTURA DE PRECISION; PLANTAS-DAÑOS Y LESIONES; FRESAS - CULTIVO; Precision agriculture; Object detection; Deep learning; Crops disease; Strawberry crops; Agricultura de precision; detección de objetos; Aprendizaje profundo; enfermedades en cultivos; enfermedades en fresa
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/