En los últimos años han surgido numerosas aproximaciones tecnológicas cuyo ámbito de aplicación son las zonas
rurales para proporcionar servicios más avanzados a este tipo de entornos. En el entorno agrícola, varias
propuestas tratan principalmente de desarrollar sistemas de gestión de cultivos basados en la variabilidad
espacial y temporal de diferentes factores dentro de un campo de cultivo, lo que actualmente se conoce como
agricultura de precisión. Una de las tareas más críticas en este ámbito es la detección de enfermedades de las
plantas. La identificación de enfermedades requiere mucho tiempo y mano de obra cualificada. Por ello, en este
trabajo se propone el desarrollo de un dispositivo inteligente para la detección de enfermedades vegetales
mediante técnicas de aprendizaje profundo. Se han realizado diferentes experimentos para evaluar la viabilidad
del dispositivo propuesto. Los resultados han mostrado un alto rendimiento con tiempos de ejecución muy cortos.
La identificación automática de enfermedades vegetales presenta una serie de retos [1] que van desde problemas
en el proceso de captura ruido, niebla sobre la cámara, etc. hasta información no deseada presente en las
imágenes de fondo, suelo, otras plantas, etc.. Más allá de los problemas específicos del material de captura de
imágenes, una cuestión importante es la posible presencia de múltiples enfermedades en una planta. La
detección automática de enfermedades vegetales es una tarea de clasificación que puede abordarse mediante
dos enfoques principales. En primer lugar, los enfoques clásicos basados en el aprendizaje automático ML, en los
que se extrae y selecciona una colección de características de las imágenes y luego se clasifican con técnicas como
Support Vector Machines SVM [2], el algoritmo K-Means [3] o Random Forest [4], entre otros. En segundo lugar,
y en la actualidad, uno de los enfoques más populares es el uso de Deep Learning DL [5] y en particular Redes
Neuronales Convolucionales CNN [6] para entrenar un modelo que identifique las clases del conjunto de datos.
Como se observa en la literatura, los resultados obtenidos por los enfoques CNN distan mucho de los de ML.
Además, la fase de entrenamiento no necesita un preprocesamiento o selección de características considerable,
que se realiza principalmente dentro de la red. Además, nuestro objetivo es construir un modelo robusto capaz de
trabajar en una plataforma edge.
En consecuencia, este trabajo presenta un dispositivo EDGE que incorpora los componentes de hardware y
software necesarios para la detección automática de enfermedades vegetales a partir de una imagen de la hoja
de la planta. El dispositivo puede incorporarse fácilmente a un robot agrícola, un dron o un tractor para favorecer
la adquisición automática de imágenes en un campo de cultivo. El sistema se ejecuta sobre una Raspberry Pi Zero
con sistema operativo Raspbian, el cual es una distro de Linux que está basada en Debian y trae todo lo necesario
para permitir la gestión de este micro-PC.
Más información:
