Inteligencia Artificial: Detección de enfermedades en el cultivo de frijol.
DOI:
https://doi.org/10.37533/cunsurori.v10i1.87Resumen
La agricultura de hoy enfrenta grandes retos, la poca tenencia de extensiones de tierra cultivables, el desgaste de suelos, malas prácticas degenerativas del suelo; el cambio climático y los altos costos de insumos nos dirigen a una crisis alimentaria, por lo que se demandan nuevas propuestas tecnológicas.
La Agricultura de Precisión (Agricultura 4.0) maximiza el rendimiento de tiempos e insumos, los productos resultan de mejor calidad y los contaminantes intervinientes se pretenden mitigar al máximo posible.
Los modelos de Inteligencia Artificial (I.A.) logran un repunte en el logro de objetivos en la Agricultura 4.0, como una actividad circularmente sostenible. Emplear técnicas variadas entre las que se destacan los análisis numéricos, la toma de decisión en procesos autónomos y la detección visual de indicadores agrícolas.
Este estudio aborda un algoritmo en Deep Learning basado en Computación Visual capaz de la detección temprana de principios nutricionales de la planta de frijol, obteniendo resultados sustantivos que valora la técnica en sí, la calidad de los insumos intervinientes, y el grado de efectividad algorítmica las cuales se representan de manera gráfica.
El modelo I.A. localiza enfermedades en la planta arrojando un diagnóstico científicamente tipificado, este demostró un alto porcentaje de asertividad de 99%.
Palabras claves:
Inteligencia artificial, Agricultura 4.0, Impacto ambiental, Crisis alimentaria, Técnicas de evaluación nutricional.
Descargas
Citas
Géron, Aurélien. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. United State: O’Reilly.
Moolayil, Jojo John. (2019). Learn Keras for Deep Neural Networks A Fast-Track Approach to Modern Deep Learning with Python. United State: Apress.
Sebastian Raschka, Vahid Mirjalili. (2019). Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2. United Kingdom. Packt Publishing.
Aggarwal, Charu. (2018). Neural Networks And Deep Learning. United State: Springer.
Fernando Berzal. (2018). Redes Neuronales & Deep Learning. United State: Apache Lic. Salman Khan, Hossein Rahmani, Syed Afaq Ali Shah y Mohammed Bennamoun. (2018). A Guide to Convolutional Neural Networks for Computer Vision. United State: Morgan & Claypoo.
Fawzy Gad, Ahmed. (2019). Practical Computer Vision Applications Using Deep Learning with CNNs: With Detailed Examples in Python Using TensorFlow and Kivy. United State: Apress.
Ibean: Data repo for the ibean project of the AIR lab. (2020). AI-Lab-Makerere. United State. AIR Lab Makerere University.
Araya, Carlos Manuel y Hernández, Juan Carlos. (2006). Guía para la identificación de las enfermedades del frijol más comunes en Costa Rica. Ministerio de Agricultura y Ganadería de Costa Rica.
Roya del frijol: Ficha Técnica. (2020). Dirección General de Sanidad Vegetal, Dirección del Centro Nacional de Referencia Fitosanitaria de México. SENASICA. México.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Samuel Saldaña Valenzuela
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons 4.0, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a compartir su trabajo en línea (por ejemplo: en repositorios institucionales o páginas web personales) antes y durante el proceso de envío del manuscrito, ya que puede conducir a intercambios productivos, a una mayor y más rápida citación del trabajo publicado (vea The Effect of Open Access).
