Design of a monitoring system for early detection of diseases and surface pests in plants through artificial vision
Abstract
This work presents the proposal for the design and operation of a system for the early detection of diseases and/or pests in plants through artificial vision. The system operation consists of two main stages: 1) Construction of a database to store foliage images of plants with irregularities such as spots and/or holes that may be associated with the presence of fungi, parasites, or effects of water stress such as rot, drought, among others. This is through the operation of a color classifier algorithm that acts on plant foliage images that are acquired and processed under dynamic lighting environments. And, 2) Analysis of irregularities detected in the foliage under the follow-up of an inspection and interpretation protocol. To test and validate the proposal, an experimental methodology was developed that consists of analyzing the foliage of shrubs in green areas of the ESIME-ZAC of the IPN.
Downloads
References
Anaya Solano, D. A., & Ojeda Field, L. F. (2020). Elaboración del prototipo de un sistema de control de variables atmosféricas automatizado para el cultivo de plantas bajo invernadero en ambiente indoor en la Región Caribe.
Aquino, H. L., Concepcion, R. S., Dadios, E. P., Sybingco, E., & Bandala, A. A. (2020, December). Trend forecasting of computer vision application in aquaponic cropping systems industry. In 2020 IEEE 12th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment, and Management (HNICEM) (pp. 1-6). IEEE.
Castro Maldonado, J. J. (2019). Diseño de un sistema de visión artificial de bajo coste para el control fitosanitario de cultivos de Lulo.
Color Spire (última consulta Agosto 2023) https://www.colorspire.com/rgb-color-wheel/
Coronado, H., Peña, J. P., Muñoz, R. E., Ortega, E., & Flórez, J. (2014). Revisión bibliográfica sobre desarrollo y validación de un sistema automatizado para invernaderos. Revista Agropecuaria y Agroindustrial La Angostura, 1(1), 49-57.
Espinosa-Espinosa, J. L., Palacios-Vélez, E., Tijerina-Chávez, L., Ortiz-Solorio, C. A., Exebio-García, A., & Landeros-Sánchez, C. (2018). Factores que afectan la producción agrícola bajo riego: cómo medirlos y estudiar su efecto. Tecnología y ciencias del agua, 9(2), 175-191.
Gobierno de México (última consulta, Agosto 2023) https://www.gob.mx/siap/articulos/el-impacto-de-las-plagas-y-enfermedades-en-el-sector-agricola
Isermann, R. (2007). Mechatronic systems: fundamentals. Springer Science & Business Media.
León, R., Díaz, M., & Rodríguez, L. (2020). Gestión de un sistema de visión artificial para la detección de los daños causados por plagas en el cultivo de palto utilizando un drone. Revista Ciencia y Tecnología, 16(4), 145-151.
López, R. E., del Carmen Valle, M., & Solleiro, J. L. (1996). El cambio tecnológico en la agricultura y las agroindustrias en México: propuesta para una nueva dinámica en la actividad productiva. Siglo XXI.
Lugo Noboa, D. J. (2021). Diseño de un sistema de visión artificial mediante una plataforma usando un drone para identificar la plaga lancha (Phytophthora Infestans) en campos agrícolas de tomate riñón en romerillo bajo (Bachelor's thesis).
Mi Jardín (última consulta, Agosto 2023) https://www.revistamijardin.es/arbustos-y-setos-sanos-y-perfectos/
Monsalve Solis, S. (2021). Agricultura de precisión en la predicción de la merma de defectos en cultivos de banano.
Nabors, M. W. (2006). Introducción a la Botánica. Madrid, España, 267-278.
Normas oficiales mexicanas en material de sanidad vegetal (NOM-MSV), gobierno de México (última consulta, Agosto 2023) https://www.gob.mx/senasica/documentos/normas-oficiales-mexicanas-en-materia-de-sanidad-vegetal#:~:text=Normas%20Oficiales%20Mexicanas%20en%20Materia%20de%20Sanidad%20Vegetal,Calidad%20Agroalimentaria%20%7C%2012%20de%20mayo%20de%202023
Secretaria de Agricultura y desarrollo rural (última consulta, Agosto 2023) https://www.gob.mx/agricultura
Open Source Computer Vision (OpenCV) (última consulta, Agosto 2023) https://docs.opencv.org/3.4/index.html
Rastogi, A., Arora, R., & Sharma, S. (2015, February). Leaf disease detection and grading using computer vision technology & fuzzy logic. In 2015 2nd international conference on signal processing and integrated networks (SPIN) (pp. 500-505). IEEE.
Russo, C. C., Ramón, H. D., Serafino, S., Cicerchia, B., Sarobe, M., Balmer, A., ... & Faroppa, M. (2018). Visión artificial aplicada en agricultura de precisión. In XX Workshop de Investigadores en Ciencias de la Computación (WICC 2018, Universidad Nacional del Nordeste).
SciKit-Fuzzy (última consulta, Agosto 2023) https://pythonhosted.org/scikit-fuzzy/api/skfuzzy.html#skfuzzy.centroid
Tecnología Agrícola Avanzada (TEAA) (última consulta, Agosto 2023) https://www.grupoteaa.com/programa-de-fertilizacion-en-maiz/
Universidad de Murcia., (2023). Aplicación de visión artificial para el desarrollo de una agricultura inteligente y de precisión (última consulta, Agosto 2023). https://www.um.es/web/otri/empresas/casos-de-exito/-/asset_publisher/mNCSCrwa7qX4/content/aplicacion-de-vision-artificial-para-el-desarrollo-de-una-agricultura-inteligente-y-de-precision
Valderrama Artunduaga, J. D. (2021). Thingspeak para el monitoreo y control remoto de un micro invernadero automatizado.
Wu, Z., Chen, Y., Zhao, B., Kang, X., & Ding, Y. (2021). Review of weed detection methods based on computer vision. Sensors, 21(11), 3647.
Copyright (c) 2023 Mara Cecilia Villasana-Montes, Eduardo Hernández-Rojas, Roberto Luis Palomino-Resendiz, Kristian Freyri Maya-Gress, Sergio Isaí Palomino-Reséndiz
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
