Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen: En el sector agrícola en Perú se utilizan distintos métodos para evitar que los sembríos de arándanos se
vean afectados por distintas enfermedades y plagas, o detectarlas a tiempo, se ha utilizado desde drones que
monitorean los campos hasta personas que se encargan de recorrer los cultivos de arándanos, pero aun así no es
suficiente pues los drones solo se encargan del monitoreo de riego y no pueden acercarse demasiado a las plantas y el
ojo humano solo es capaz de percibir hasta un cierto nivel, ocasionando que no detecten la enfermedad o plaga
presente en la planta y estas se propaguen. La decisión de construir un sistema experto que detecte la enfermedad o
plaga y tomar una acción correctiva a tiempo se tomó en base a la necesidad de este sector pues este problema afecta
críticamente al rendimiento de las cosechas. Una de las áreas consideradas en este trabajo es el uso de visión artificial
puesto que se utilizan técnicas para el procesamiento y análisis de imágenes, imágenes que tuvieron que ser
recolectadas por los propios autores de este trabajo recorriendo sembríos de arándanos y tomando fotos a cada planta
y con ello se armó una base de datos; además del uso de machine learning para la utilización de algoritmos de
aprendizaje, uno de ellos fue la utilización del clasificador Support Vector Machine(SVM). Los resultados arrojaron un
índice de reconocimiento adecuado que fue capaz de clasificar si la planta de arándano estaba siendo afectada por una
enfermedad o plaga.
Palabras clave: visión artificial, algoritmos, machine learning, vectores, sistema experto.
Abstract: Agriculture sector in Peru uses different ways to avoid damage in their blueberry planting by different
diseases and pests, or detect them on time; drones have been used to monitor the fields as well as people that go
through the blueberry fields, but that is not good enough because drones can only monitor the irrigation and can’t get
to close to plants; and the human eye is only capable of perceive up to a certain visibility range, causing that the
disease or pest isn’t detected and later spread. The decision of making an expert system that detects diseases of pests
for taking a corrective action on time was taken based of the need of this sector because these problems affects
critically the performance of the crops. One of the fields considered is computer vision since we’ll use techniques for
processing and analyzing images; images that had to been collected by the authors of this paper by going through the
blueberry fields and taking pictures of each plant for building our own dataset; we will also use machine learning so we
can use learning algorithms, one of them was the classification algorithm known as Support Vector Machine (SVM).
Results showed a good recognition rate that was able to classify if a blueberry plant was being affected by a disease or
pest.
Keywords: artificial vision, algorithms, machine learning, vectors, expert system.
AÑO 14, Nº 13 37
mercados grandes como Estados Unidos, China y algunos capacidad de reproducción muy alta, es multivoltina, por
países de Europa y se espera llegar a países como Rusia, lo tanto la capacidad de hacer daño se mantiene
Japón, entre otros en los siguientes dos años. Además prácticamente en el tiempo. Otra plaga que se está
actualmente en Perú se cuenta con aproximadamente presentando particularmente en las zonas de producción
5000 ha de áreas sembradas de arándanos repartidas en del arándano es el Heliothis, gusano perforador del fruto
Ica, Arequipa, Chincha y Cañete y se espera que esto perteneciente a la familia Noctuidae, las larvas perforan
crezca en 50%. [5] los frutos, los frutos dañados se pudren y caen, esta causa
defoliación de brotes, terminales y frutos, produce hasta
La inversión en arándanos es un tema de mucho cuidado
un 40% de daño sobre la población total de plantas. [18]
debido a que el cultivo de estos frutos es de alta
complejidad, además de necesitarse todo los conocimientos El resto de éste paper está organizado de la siguiente
agronómicos que se pueda. Las empresas que incursionan manera. En la Sección 2 se muestra trabajos de otros
por primera vez en este campo pueden ir directamente al autores los cuales sirvieron como base para esta
fracaso si es que no tienen todo el conocimiento necesario investigación. La Sección 3 se describe la metodología
para empezar. La inversión aproximada por hectárea es de utilizada. Los experimentos y resultados se encuentran en
29 mil dólares y esto sin incluir algún sistema de riego por la Sección 4, y finalmente, las conclusiones y trabajos
lo que al final tiende la inversión a ser mayor. Teniendo en futuros están en la Sección 5.
cuenta esto, es de suma importancia invertir en todos los
cuidados necesarios para que la inversión en este cultivo no 2. Estado del arte
se pierda, pero los arándanos como otras frutas están Para este trabajo se tomó como referencia otras
susceptibles a ciertos riesgos, como lo son las investigaciones con temas relacionados a los que
enfermedades y plagas que pueden afectar a las empleamos en esta investigación. En la tesis “Assessment
plantaciones de arándanos, lo cual puede terminar en of Internal and External Quality of blueberries using
pérdidas de hectáreas de sembríos que ya estaban listas images”, se abordan situaciones relacionadas a cómo
para cosechar. [11] mejorar la calidad de los arándanos a fin aumentar el
Las plagas y enfermedades que atacan a los arándanos no rendimiento y mejorar la comercialización de estos, esta
solo las afectan durante el crecimiento de estas, sino tesis utiliza técnicas de machine learning con imágenes.
también pueden padecerlas tan solo semanas antes de Esta tesis se basó en que durante el almacenamiento y
empezar la cosecha, en algunos casos las plantas reducen transporte de los arándanos, algunos defectos de la fruta
la cantidad de frutos a producir, en otros se reduce la solían provocar rechazos durante su comercialización por
calidad de los frutos, cosechándose frutos muy pequeños ello se creyó que realizar unos estudios de metodologías
a los que se esperaba, en otros la planta no llega a no destructivas para la evaluación externa e interna
producir nada hasta que se libere de la enfermedad o durante la pos cosecha serían valiosos. Se tuvo dos ejes
plaga y en otros casos, la planta muere perdiéndose así principales: la evaluación externa de la calidad de los
los frutos que producía y la inversión que se hizo en la arándanos poscosecha con técnicas de reconocimiento de
compra de cada planta. Muchas veces esto sucede debido patrones utilizando imágenes a color, y la evaluación de la
que el control que se realiza para combatir estas plagas o calidad interna de los arándanos utilizando imágenes
enfermedades no es suficiente, además que a veces no se híper espectrales, con el fin de construir modelos
detecta la enfermedad en su fase inicial o no se determina predictivos. Se implementó un reconocimiento estadístico
el tipo de plaga o enfermedad correctamente provocando de patrones para detectar tres de los defectos más
que se aplique un químico incorrectamente como comunes en los arándanos: hongos, encogimiento por
solución, que lo único que provocaría sería que la planta deshidratación y arándanos con impactos comprimidos y
no se sane y que infecte a las que se encuentren cerca, dos orientaciones principales (pedicelo y cáliz).
produciéndose una propagación de la enfermedad o plaga, Se adquirió imágenes de los arándanos clasificados en las
y como resultado pérdidas económicas para la empresa. orientaciones y en los defectos mencionados
Según el Ing. César Torres jefe de cultivos de Bayer quien anteriormente para extraer características cromáticas y
expuso en el seminario de Berries organizado por Sierra geométricas para después realizar una selección para la
Exportadora, explicó las principales plagas y cual se empleó un algoritmo de búsqueda secuencial hacia
enfermedades que atacan al arándano en el Perú, son las adelante, las características seleccionadas se utilizaron
siguientes: Uno de los problemas importantes que se está para el entrenamiento de distintos clasificadores con el fin
presentando en el arándano es el insecto Anómala sp que de determinar cuál de ellos reportaba una mejor
es un escarabajo de color blanco cuyas larvas afectan clasificación, algunos clasificadores empleados fueron:
principalmente a las raíces, se alimenta de raicillas e discriminante de análisis lineal, máquina de soporte
incluso puede ocasionar la muerte de la planta. Se ha vectorial y red neuronal probabilística siendo estos los
llegado a reportar hasta 30% de muerte de la planta, esta que también reportaron mejor desempeño luego del
plaga está presente todo el año y aún no hay un efectivo entrenamiento y reconocimiento de patrones. Para la
evaluación de la calidad interna se construyó modelos
control. Normalmente se da por el uso de material
predictivos a partir de las imágenes híper espectrales en
orgánico que no está bien descompuesto. [12] dos modos de detección: reflectancia y transmitancia, se
Una plaga que ha molestado al arándano sobre todo en el utilizó la información espectral de estas. Esta técnica se
norte, en Trujillo, es la Prodiplosis longifila un insecto basó en una combinación de procesamiento de imágenes y
que principalmente afecta a los espárragos y tiene una de análisis espectroscópico, por lo que se obtuvo
AÑO 14, Nº 13 38
múltiples imágenes con información espectral adecuadas nuevas enfermedades pueden ocurrir en lugares donde
para construir modelos. Por lo tanto en esta tesis se antes no se identificaban y, de forma inherente, donde no
demostró que el uso de imágenes usando visión hay experiencia local para combatirlas. El uso de pesticidas
computacional para la evaluación externa y el uso de sin experiencia puede provocar el desarrollo de resistencia
imágenes híper espectral para medir la calidad interna es a largo plazo de los patógenos, lo que reduce drásticamente
factible para mejorar la calidad del producto y su la capacidad de luchar. El diagnóstico oportuno y preciso
comercialización. [6] de las enfermedades de las plantas es uno de los pilares de
la agricultura de precisión. Es crucial evitar el desperdicio
Otra investigación tomada en cuenta fue la tesis
innecesario de recursos financieros y de otro tipo, logrando
“Evaluation of Classifiers for Automatic Disease Deteccion
así una producción más saludable, abordando el problema
in Citrus leaves using machine visión” en esta
del desarrollo de la resistencia a los patógenos a largo plazo
investigación se pretendió evaluar un control adecuado para
y mitigando los efectos negativos del cambio climático. Las
las enfermedades presentadas en la industria de los cítricos
imágenes de esta investigación fueron descargadas de
debido a que esta industria es importante en la economía
Internet en varios formatos junto con diferentes
agrícola de Florida, es uno de los principales productores
resoluciones y calidad. Con el fin de obtener una mejor
de empleos para los residentes de este estado. Cada año se
extracción de características, las imágenes finales
utilizan grandes cantidades de productos químicos como
destinadas a ser utilizadas como conjunto de datos para el
fungicidas para el control de diferentes enfermedades que
clasificador de redes neuronales profundas fueron
afectan a los cultivos de cítricos, generando enormes costos
preprocesadas para ganar consistencia.
para los productores. En esta tesis se implementó un
estudio que investigó el uso de la visión artificial y técnicas Se propuso el entrenamiento de la red neuronal
de procesamiento de imágenes en la clasificación de las convolucional profunda para hacer un modelo de
hojas enfermas de los cítricos. Se tuvo en cuenta cuatro clasificación de imágenes a partir de un conjunto de datos
clases diferentes: hojas con manchas grasosas, hojas descritos. En este trabajo, se exploró un nuevo enfoque del
melanosas, hojas normales y hojas con sarna. Los datos de uso del método de aprendizaje profundo para clasificar y
las imágenes de las hojas fueron recolectadas usando una detectar automáticamente las enfermedades de las plantas a
cámara a color JAI MV90, 3 CCD con 28-90 de lente de partir de las imágenes de las hojas. El modelo desarrollado
zoom. Además se utilizaron algoritmos basados en técnicas fue capaz de detectar la presencia de hojas y distinguir
de procesamiento de imágenes para la extracción de entre hojas sanas y 13 enfermedades diferentes, que pueden
características. ser diagnosticadas visualmente. [20]
El proceso de extracción de características utilizó la 3. Metodología
metodología de co-ocurrencia de colores (método CCM).
Este método consiste en tomar en cuenta tanto el color La propuesta realizada por los autores, está relacionada
como la textura de las imágenes con las que se quiere con la implementación de un modelo de reconocimiento
trabajar para obtener características únicas. Los de enfermedades y plagas utilizando las hojas de los
clasificadores utilizados en este estudio fueron: arándanos. Con esta propuesta se pretende solucionar una
clasificador estadístico utilizando el método de distancia serie de problemas en los sembríos de arándanos ya que
mínima Mahalanobis, red neural basada en el uso del reduciendo el tiempo de análisis o reconocimiento que
algoritmo de propagación de espalda y red neuronal normalmente se hacía en laboratorios, este pasaría a ser
usando funciones de base radial. Él estudió determinó que inmediato con solo obtener una captura instantánea o un
dichos métodos de clasificación son adecuados para la corto de video de la planta y con ello el sistema
clasificación de hojas de cítricos. reconocería el tipo de enfermedad con un acierto desde la
primera captura.
Esta investigación fue un análisis de viabilidad para
demostrar si las técnicas investigadas se pueden Al término de la investigación se obtendrá un sistema de
implementar en la detección de enfermedades en las plantas reconocimiento de enfermedades y plagas que será capaz
de cítricos. Los resultados obtenidos demostraron si se de detectar si la planta está enferma o no. Además se
pueden utilizar para esta aplicación, sin embargo el análisis podrá emplear este sistema si desea en un dispositivo
de las imágenes para esta investigación se realizaron en un móvil o en un aparato mecánico que monitoree los
laboratorio, por lo que en condiciones al aire libre las tomas sembríos de arándano todo el tiempo a fin de que la
de las imágenes se enfrentarían a otros desafíos como la precisión del sistema sea mayor, ya que si se emplea en
iluminación natural y la estructura del árbol, esto supondría un aparato mecánico este puede estar circulando por los
un obstáculo de superar para que la investigación realizada campos por varias horas y enviar las alertas al centro de
sea aplicable para la clasificaciones de hojas de las plantas operaciones cuando encuentre ciertas anomalías en las
de cítricos basadas en imágenes tomadas en tiempo real en plantas de arándanos. La metodología de trabajo que se
un ambiente natural. [8] empleó en esta investigación fue la que se aprecia en la
figura 1. La primera fase que se realizó es el input de la
Por último en la investigación “Deep Neural Networks base de datos de las fotografías, se recopiló fotos de
based recognition of plant diseases by leaf image distintas variedades de plantas de arándanos, el lugar de
classification”, los resultados de la investigación indican recolección fue en el fundo Valle y Pampa, ubicado en la
que el cambio climático puede alterar las etapas y las tasas Pampa California, en el desierto de Humay en Pisco, a
de desarrollo de patógenos. La situación se complica aún 240 km al sur de Lima.
más por el hecho de que, hoy en día, las enfermedades se
transfieren globalmente más fácilmente que nunca. Las
AÑO 14, Nº 13 39
Las capturas de fotos fueron tomadas con distintos porque el objetivo es que el sistema reconozca la
dispositivos, esto con el fin de tener capturas con enfermedad del arándano en cualquier tipo de imagen que
diferentes resoluciones e imágenes de distintitas calidades el usuario capture.
AÑO 14, Nº 13 40
Figura 5: Trip.
Figura 7: Proceso de recorte. También le aplicamos el filtro Mediana, este filtro calcula
la mediana de todos los píxeles bajo la ventana del kernel
La segunda fase y tercera es el pre-procesamiento y y el píxel central se reemplaza con este valor mediano.
segmentación respectivamente, donde vamos a convertir Esto es muy efectivo para eliminar el ruido conocido
la imagen de RGB (por sus siglas en inglés Red, Green y como ruido de sal y pimienta. OpenCV dispone de la
Blue) a gris (como se observa en la Figura 8) para
AÑO 14, Nº 13 41
función cv2.medianBlur (img, 5) para aplicar este tipo HoG (Histograms of Oriented Gradient) - Robert K.
de filtro a una imagen. Al igual que en el filtro Gaussiano, McConnell: Se usa para detectar objetos en visión por
el tamaño del kernel en el filtro de mediana tiene que ser computadora y procesamiento de imágenes. Cuenta las
un número entero impar positivo. ocurrencias del gradiente de orientación en porciones
localizadas de una imagen - ventana de detección, o
Podemos observar en la figura 10 una imagen original y
región de interés (ROI). Existen bibliotecas que ya
una con el filtro Mediana.
implementan este algoritmo, por ejemplo: HOG
Descriptor de OpenCV. La implementación del algoritmo
HoG son las siguientes y se pueden observar en la figura
12 [10]
• Una ventana de detección dentro del cuadro.
• Se hace una normalización de color.
• Se obtienen los gradientes de la subimagen para
calcular el histograma de candidatos sobre celdas
uniformes.
• Se agrupan las celdas en bloques con cierto
sobrelapamiento.
• Los bloques de celdas se normalizan de manera
independiente.
• El vector de características está conformado por el
conjunto de los descriptores de los bloques.
AÑO 14, Nº 13 42
punto en un espacio de n dimensiones (donde n es el arriba las técnicas actuales aún no son suficientes para
número de variables que se tiene) con el valor de cada combatir estos problemas que afectan a los agricultores,
variable siendo el valor de una coordenada en particular, también se piensa en el desarrollo de una aplicación móvil
este algoritmo determinará si la planta de arándano está que utilice este modelo de reconocimiento y que ayude al
siendo afectada por una enfermedad o plaga, o no. usuario de este sector.
AÑO 14, Nº 13 43
AÑO 14, Nº 13 44