Detección temprana de minador, mosca blanca y fusarium en el tomate riñón, aplicando técnicas de visión artificial y machine learning

Abstract

La industria agrícola en el Ecuador, en comparación con la realidad actual a nivel mundial, vive un retraso significativo en el uso de la tecnología, y aunque desde hace varias décadas atrás hasta la actualidad ha aumentado, lo ha hecho tan pausada y apocadamente que más parece estar estancada. El uso de la tecnología puede ser muy relevante, sobre todo en el sector agrario. Este trabajo de investigación propone un sistema portátil de identificación y clasificación de plagas y enfermedades en la planta de tomate riñón. Para conseguir este objetivo se utilizaron varias tecnologías disponibles, tanto maduras como emergentes, intentando ser parte de la concepción de la Industria 4.0 en aplicaciones agroindustriales. Inicialmente se realizó una evaluación de la madurez digital del sector agrícola de la localidad de Puctus, concluyendo que prácticamente no existe el uso de la tecnología en su producción. Posteriormente se tomaron suficientes muestras de las diferentes plagas y enfermedades para ser clasificadas manualmente con ayuda de expertos. Estos datos fueron almacenados en la nube apoyados del servicio de Google Cloud para desarrolladores y posteriormente utilizados en el entrenamiento de un algoritmo de clasificación usando la plataforma Google Colab y con librerías Aprendizaje Automático de TensorFlow. Luego de varios entrenamientos se obtuvo el modelo con mayor exactitud, el cual fue convertido a un formato de TensorFlow Lite, optimizado para ser ejecutado en tarjetas de desarrollo con unidades de procesamiento TPUs, en este caso la Google Coral Dev Board. La exactitud alcanzada en la validación del modelo original fue de 96.875 %, la del modelo LITE para la tarjeta de desarrollo fue de 98.438 %, mientras que, en las pruebas reales, validadas con la ayuda de expertos alcanzó una exactitud de 92.54%. El prototipo cumple con las expectativas de esta investigación, pero puede ser mejorado, para ello se incluye algunas recomendaciones basadas en la experiencia adquirida mientras se desarrollaban diferentes pruebas, como puede ser: el uso de cámaras multiespectrales en aplicaciones agroindustriales, el uso de bases de datos, o la implementación de este prototipo en sistemas de fumigación automática.