1 of 1

Trabajo de Investigation de Estudiantes extra-cátedra

................................

Aplicación de las redes Convolucionales y Sistema Expertos

En la detección de Enfermedades en la Plantación de Frutilla

Universidad Tecnológica Nacional - Facultad Regional Tucumán

Autores: Alonso Lieb, Juan Marcos – Addur, Lucas Agustin - Dominguez Baez, Felix Esteban

E-mail: juan.alonsolieb@alu.frt.utn.edu.ar, Lucas.Addur@alu.frt.utn.edu.ar, felixdominguez@alu.frt.utn.edu.ar

San Fernando del Valle de Catamarca, Catamarca, Argentina – 7 y 8 de noviembre 2024

Introducción

Las plantaciones de frutilla son altamente vulnerables a diversas enfermedades causadas por hongos, bacterias y virus. Estas afecciones, difíciles de detectar en etapas tempranas, pueden reducir significativamente la producción y calidad de los frutos. La falta de detección oportuna provoca pérdidas económicas considerables y el uso excesivo de productos químicos, lo que afecta tanto a los cultivos como al medio ambiente. Por ello, es crucial contar con herramientas que permitan identificar estas enfermedades de manera rápida y precisa, para minimizar los daños y garantizar una producción más sostenible.

Objetivos

Detectar de manera temprana y precisa las enfermedades en las plantas de frutilla.
Reducir las pérdidas económicas causadas por enfermedades en los cultivos.
Minimizar el uso de productos químicos mediante diagnósticos más precisos.
Facilitar el acceso a una herramienta automatizada para agricultores y técnicos.
Contribuir a la sostenibilidad agrícola mediante la implementación de tecnología avanzada.
Promover la eficiencia en el monitoreo y manejo de la salud de los cultivos.

Desarrollo

El desarrollo de este proyecto se centró en crear una solución tecnológica avanzada que ayude a los agricultores a detectar enfermedades en sus plantaciones de frutilla de manera automática y eficiente. El proceso comenzó con la recopilación de un conjunto de imágenes de hojas y frutos de frutilla, que presentaban síntomas visibles de diversas enfermedades. Estas imágenes fueron usadas para entrenar un modelo de red neuronal convolucional (CNN), una herramienta de inteligencia artificial diseñada para el reconocimiento de patrones en imágenes.
El modelo fue optimizado para identificar, a partir de fotografías, los síntomas característicos de cada enfermedad. Se entrenó con un gran volumen de datos para que pudiera aprender a diferenciar entre plantas sanas y enfermas con alta precisión. Este sistema se integra además con un sistema experto, que no solo identifica la enfermedad, sino que también sugiere acciones correctivas, como tratamientos específicos y recomendaciones sobre el manejo de los cultivos.
El desarrollo también contempló la implementación del modelo en dispositivos móviles, facilitando así su uso en campo. Esto permite a los agricultores tomar fotos de las plantas directamente con sus teléfonos y obtener resultados inmediatos sobre el estado de salud de sus cultivos, sin necesidad de tener conocimientos avanzados en tecnología o agronomía.

Conclusión

Los resultados indican que esta tecnología proporciona a los agricultores una herramienta eficaz para mejorar el monitoreo de cultivos, reduciendo pérdidas económicas y optimizando el uso de recursos. Su implementación en dispositivos móviles permite un acceso automatizado y portátil, capacitando a los agricultores para tomar decisiones informadas en tiempo real. Aunque el sistema es preciso, no sustituye la consulta con especialistas, actuando como un complemento para la detección rápida de problemas. Asimismo, se sugiere la posibilidad de futuras investigaciones que amplíen esta tecnología a otras enfermedades y cultivos, así como mejorar la captura de imágenes y la precisión diagnóstica, reforzando su utilidad en la agricultura.