Detección de enfermedades de la fresa en agricultura de precisión
Strawberry disease detection in precision agriculture
Citación
Fecha
2021-10-06Autor
Aguirre Rojas, Daniel Santiago
Título obtenido
Ingeniero en Mecatrónica
Palabras claves
; agricultura de precision; plantas-daños y lesiones; fresas - cultivo
Metadatos
Mostrar el registro completo del ítem
Documentos PDF
Resumen
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).
Crop disease detection in precision agriculture has an important impact on farming, improving production, and reducing economic losses. This is why some efforts have been done in this direction. This paper compares 4 object detection algorithms based on deep learning to detect diseases in strawberry crops. Here, we present a step towards detecting the most common diseases to prevent economical losses. The main purpose is to detect mainly three diseases of the strawberry crops, i.e. Botrytis cinerea, Leaf scorch, and Powdery mildew, to take further actions if the crops are unhealthy. We have chosen these three diseases because these are frequent and unpredictable issues, and the risk of infection is high. For this, we trained four algorithms, two based on Single Shot MultiBox Detector and two based on EfficientDet algorithm. We focus the analysis on the two best results based on the mean average precision. We have used Google colab for training, then a Core i5 host computer and an Nvidia Jetson nano were used for testing. We have achieved a detection network with a mean average precision of 81% in the best case, in detecting the three proposed classes. While using an NVIDIA Jetson nano, the accuracy increases up to 86% due to the dedicated GPU that processes Convolutional Neural Networks(CNN).
Colecciones
- Ingeniería Mecatrónica [216]