Revista PERSPECTIV@S

Detección de enfermedades y plagas en las hojas de arándanos utilizando técnicas

de visión artificial
Cecilia Sullca, Carlos Molina, Carlos Rodríguez, Thais Fernández
14100968@ue.edu.pe, 14100970@ue.edu.pe, 13100138@ue.edu.pe, 10200324@ue.edu.pe
Universidad ESAN, Perú
Jirón Alonso de Molina 1652, Santiago de Surco 15023
Lima – Perú

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.

1. Introducción (10%), pero después del país sureño Chile (24%) y

Según el Ministerio de la Producción, alrededor del 35%
de la innovación en el país se basa en la agroindustria, por
ejemplo productos como la palta y el arándano están
siendo aprovechados por empresas agroindustriales. [16]
Perú está posicionado entre los diez principales
proveedores de alimentos en el mundo. Y con respecto al
arándano se puede decir que en el Perú se está
produciendo como en ningún otro país, así lo afirmó José
Francisco Unzueta, gerente de Blueberries Perú. “Perú es
el único país donde actualmente se ve una posibilidad de
desarrollo fuerte del arándano”, continúa. Eso, teniendo
en cuenta que en las principales zonas productoras del
mundo no se están sumando nuevas hectáreas e, incluso
en Argentina ha disminuido. [1]
Perú a solo un año de haber exportado a China se ha
posicionado en el tercer puesto como el mayor exportador
de arándanos internacionalmente con una participación
del 12%, por encima de Canadá (10%) y Estados Unidos
España (13%). [7]
Las regiones del Perú que más han exportado arándanos
en el 2017 estuvieron liderado por La Libertad pues
registró un crecimiento del 15% y alcanzó una
participación del 48 % en el sector exportador de
arándanos. Otras regiones que también tuvieron una
buena participación fueron Ica con un 14 % y
Lambayeque con un 6%. Entre las principales empresas
que destacaron en las exportaciones son Camposol con un
32% de participación y Tal SA con un 23% de
participación. [4]
Ricardo Polis, Presidente de AGAP (Asociación de
Gremios Productores Agrarios del Perú), asegura que este
año con respecto a la exportación de arándanos se
registrará mayor crecimiento versus el año pasado (2017),
se llegaría a exportar más de 57 000 tn, 30% más que el
año pasado. Se estima que se vendan al exterior 100 000
tn en los próximos 3 años. Perú ha logrado llegar a

AÑO 14, Nº 13 37

32 PERSPECTIV@S. Revista de Tecnología e Información 2018 | Año 15 | Nº 15 | 32-39

Revista PERSPECTIV@S
mercados grandes como Estados Unidos, China y algunos
países de Europa y se espera llegar a países como Rusia,
Japón, entre otros en los siguientes dos años. Además
actualmente en Perú se cuenta con aproximadamente
5000 ha de áreas sembradas de arándanos repartidas en
Ica, Arequipa, Chincha y Cañete y se espera que esto
crezca en 50%. [5]
La inversión en arándanos es un tema de mucho cuidado
debido a que el cultivo de estos frutos es de alta
complejidad, además de necesitarse todo los conocimientos
agronómicos que se pueda. Las empresas que incursionan
por primera vez en este campo pueden ir directamente al
fracaso si es que no tienen todo el conocimiento necesario
para empezar. La inversión aproximada por hectárea es de
29 mil dólares y esto sin incluir algún sistema de riego por
lo que al final tiende la inversión a ser mayor. Teniendo en
cuenta esto, es de suma importancia invertir en todos los
cuidados necesarios para que la inversión en este cultivo no
se pierda, pero los arándanos como otras frutas están
susceptibles a ciertos riesgos, como lo son las
enfermedades y plagas que pueden afectar a las
plantaciones de arándanos, lo cual puede terminar en
pérdidas de hectáreas de sembríos que ya estaban listas
para cosechar. [11]
Las plagas y enfermedades que atacan a los arándanos no
solo las afectan durante el crecimiento de estas, sino
también pueden padecerlas tan solo semanas antes de
empezar la cosecha, en algunos casos las plantas reducen
la cantidad de frutos a producir, en otros se reduce la
calidad de los frutos, cosechándose frutos muy pequeños
a los que se esperaba, en otros la planta no llega a
producir nada hasta que se libere de la enfermedad o
plaga y en otros casos, la planta muere perdiéndose así
los frutos que producía y la inversión que se hizo en la
compra de cada planta. Muchas veces esto sucede debido
que el control que se realiza para combatir estas plagas o
enfermedades no es suficiente, además que a veces no se
detecta la enfermedad en su fase inicial o no se determina
el tipo de plaga o enfermedad correctamente provocando
que se aplique un químico incorrectamente como
solución, que lo único que provocaría sería que la planta
no se sane y que infecte a las que se encuentren cerca,
produciéndose una propagación de la enfermedad o plaga,
y como resultado pérdidas económicas para la empresa.
Según el Ing. César Torres jefe de cultivos de Bayer quien
expuso en el seminario de Berries organizado por Sierra
Exportadora, explicó las principales plagas y
enfermedades que atacan al arándano en el Perú, son las
siguientes: Uno de los problemas importantes que se está
presentando en el arándano es el insecto Anómala sp que
es un escarabajo de color blanco cuyas larvas afectan
principalmente a las raíces, se alimenta de raicillas e
incluso puede ocasionar la muerte de la planta. Se ha
llegado a reportar hasta 30% de muerte de la planta, esta
plaga está presente todo el año y aún no hay un efectivo
control. Normalmente se da por el uso de material
orgánico que no está bien descompuesto. [12]
Una plaga que ha molestado al arándano sobre todo en el
norte, en Trujillo, es la Prodiplosis longifila un insecto
que principalmente afecta a los espárragos y tiene una
AÑO 14, Nº 13
PERSPECTIV@S. Revista de Tecnología e Información 2018 | Año 15 | Nº 15 | 32-39
capacidad de reproducción muy alta, es multivoltina, por
lo tanto la capacidad de hacer daño se mantiene
prácticamente en el tiempo. Otra plaga que se está
presentando particularmente en las zonas de producción
del arándano es el Heliothis, gusano perforador del fruto
perteneciente a la familia Noctuidae, las larvas perforan
los frutos, los frutos dañados se pudren y caen, esta causa
defoliación de brotes, terminales y frutos, produce hasta
un 40% de daño sobre la población total de plantas. [18]
El resto de éste paper está organizado de la siguiente
manera. En la Sección 2 se muestra trabajos de otros
autores los cuales sirvieron como base para esta
investigación. La Sección 3 se describe la metodología
utilizada. Los experimentos y resultados se encuentran en
la Sección 4, y finalmente, las conclusiones y trabajos
futuros están en la Sección 5.
2. Estado del arte
Para este trabajo se tomó como referencia otras
investigaciones con temas relacionados a los que
empleamos en esta investigación. En la tesis “Assessment
of Internal and External Quality of blueberries using
images”, se abordan situaciones relacionadas a cómo
mejorar la calidad de los arándanos a fin aumentar el
rendimiento y mejorar la comercialización de estos, esta
tesis utiliza técnicas de machine learning con imágenes.
Esta tesis se basó en que durante el almacenamiento y
transporte de los arándanos, algunos defectos de la fruta
solían provocar rechazos durante su comercialización por
ello se creyó que realizar unos estudios de metodologías
no destructivas para la evaluación externa e interna
durante la pos cosecha serían valiosos. Se tuvo dos ejes
principales: la evaluación externa de la calidad de los
arándanos poscosecha con técnicas de reconocimiento de
patrones utilizando imágenes a color, y la evaluación de la
calidad interna de los arándanos utilizando imágenes
híper espectrales, con el fin de construir modelos
predictivos. Se implementó un reconocimiento estadístico
de patrones para detectar tres de los defectos más
comunes en los arándanos: hongos, encogimiento por
deshidratación y arándanos con impactos comprimidos y
dos orientaciones principales (pedicelo y cáliz).
Se adquirió imágenes de los arándanos clasificados en las
orientaciones y en los defectos mencionados
anteriormente para extraer características cromáticas y
geométricas para después realizar una selección para la
cual se empleó un algoritmo de búsqueda secuencial hacia
adelante, las características seleccionadas se utilizaron
para el entrenamiento de distintos clasificadores con el fin
de determinar cuál de ellos reportaba una mejor
clasificación, algunos clasificadores empleados fueron:
discriminante de análisis lineal, máquina de soporte
vectorial y red neuronal probabilística siendo estos los
que también reportaron mejor desempeño luego del
entrenamiento y reconocimiento de patrones. Para la
evaluación de la calidad interna se construyó modelos
predictivos a partir de las imágenes híper espectrales en
dos modos de detección: reflectancia y transmitancia, se
utilizó la información espectral de estas. Esta técnica se
basó en una combinación de procesamiento de imágenes y
de análisis espectroscópico, por lo que se obtuvo
38
33
Revista PERSPECTIV@S
múltiples imágenes con información espectral adecuadas
para construir modelos. Por lo tanto en esta tesis se
demostró que el uso de imágenes usando visión
computacional para la evaluación externa y el uso de
imágenes híper espectral para medir la calidad interna es
factible para mejorar la calidad del producto y su
comercialización. [6]
Otra investigación tomada en cuenta fue la tesis
“Evaluation of Classifiers for Automatic Disease Deteccion
in Citrus leaves using machine visión” en esta
investigación se pretendió evaluar un control adecuado para
las enfermedades presentadas en la industria de los cítricos
debido a que esta industria es importante en la economía
agrícola de Florida, es uno de los principales productores
de empleos para los residentes de este estado. Cada año se
utilizan grandes cantidades de productos químicos como
fungicidas para el control de diferentes enfermedades que
afectan a los cultivos de cítricos, generando enormes costos
para los productores. En esta tesis se implementó un
estudio que investigó el uso de la visión artificial y técnicas
de procesamiento de imágenes en la clasificación de las
hojas enfermas de los cítricos. Se tuvo en cuenta cuatro
clases diferentes: hojas con manchas grasosas, hojas
melanosas, hojas normales y hojas con sarna. Los datos de
las imágenes de las hojas fueron recolectadas usando una
cámara a color JAI MV90, 3 CCD con 28-90 de lente de
zoom. Además se utilizaron algoritmos basados en técnicas
de procesamiento de imágenes para la extracción de
características.
El proceso de extracción de características utilizó la
metodología de co-ocurrencia de colores (método CCM).
Este método consiste en tomar en cuenta tanto el color
como la textura de las imágenes con las que se quiere
trabajar para obtener características únicas. Los
clasificadores utilizados en este estudio fueron:
clasificador estadístico utilizando el método de distancia
mínima Mahalanobis, red neural basada en el uso del
algoritmo de propagación de espalda y red neuronal
usando funciones de base radial. Él estudió determinó que
dichos métodos de clasificación son adecuados para la
clasificación de hojas de cítricos.
Esta investigación fue un análisis de viabilidad para
demostrar si las técnicas investigadas se pueden
implementar en la detección de enfermedades en las plantas
de cítricos. Los resultados obtenidos demostraron si se
pueden utilizar para esta aplicación, sin embargo el análisis
de las imágenes para esta investigación se realizaron en un
laboratorio, por lo que en condiciones al aire libre las tomas
de las imágenes se enfrentarían a otros desafíos como la
iluminación natural y la estructura del árbol, esto supondría
un obstáculo de superar para que la investigación realizada
sea aplicable para la clasificaciones de hojas de las plantas
de cítricos basadas en imágenes tomadas en tiempo real en
un ambiente natural. [8]
Por último en la investigación “Deep Neural Networks
based recognition of plant diseases by leaf image
classification”, los resultados de la investigación indican
que el cambio climático puede alterar las etapas y las tasas
de desarrollo de patógenos. La situación se complica aún
más por el hecho de que, hoy en día, las enfermedades se
transfieren globalmente más fácilmente que nunca. Las
AÑO 14, Nº 13
34 PERSPECTIV@S. Revista de Tecnología e Información 2018 | Año 15 | Nº 15 | 32-39
nuevas enfermedades pueden ocurrir en lugares donde
antes no se identificaban y, de forma inherente, donde no
hay experiencia local para combatirlas. El uso de pesticidas
sin experiencia puede provocar el desarrollo de resistencia
a largo plazo de los patógenos, lo que reduce drásticamente
la capacidad de luchar. El diagnóstico oportuno y preciso
de las enfermedades de las plantas es uno de los pilares de
la agricultura de precisión. Es crucial evitar el desperdicio
innecesario de recursos financieros y de otro tipo, logrando
así una producción más saludable, abordando el problema
del desarrollo de la resistencia a los patógenos a largo plazo
y mitigando los efectos negativos del cambio climático. Las
imágenes de esta investigación fueron descargadas de
Internet en varios formatos junto con diferentes
resoluciones y calidad. Con el fin de obtener una mejor
extracción de características, las imágenes finales
destinadas a ser utilizadas como conjunto de datos para el
clasificador de redes neuronales profundas fueron
preprocesadas para ganar consistencia.
Se propuso el entrenamiento de la red neuronal
convolucional profunda para hacer un modelo de
clasificación de imágenes a partir de un conjunto de datos
descritos. En este trabajo, se exploró un nuevo enfoque del
uso del método de aprendizaje profundo para clasificar y
detectar automáticamente las enfermedades de las plantas a
partir de las imágenes de las hojas. El modelo desarrollado
fue capaz de detectar la presencia de hojas y distinguir
entre hojas sanas y 13 enfermedades diferentes, que pueden
ser diagnosticadas visualmente. [20]
3. Metodología
La propuesta realizada por los autores, está relacionada
con la implementación de un modelo de reconocimiento
de enfermedades y plagas utilizando las hojas de los
arándanos. Con esta propuesta se pretende solucionar una
serie de problemas en los sembríos de arándanos ya que
reduciendo el tiempo de análisis o reconocimiento que
normalmente se hacía en laboratorios, este pasaría a ser
inmediato con solo obtener una captura instantánea o un
corto de video de la planta y con ello el sistema
reconocería el tipo de enfermedad con un acierto desde la
primera captura.
Al término de la investigación se obtendrá un sistema de
reconocimiento de enfermedades y plagas que será capaz
de detectar si la planta está enferma o no. Además se
podrá emplear este sistema si desea en un dispositivo
móvil o en un aparato mecánico que monitoree los
sembríos de arándano todo el tiempo a fin de que la
precisión del sistema sea mayor, ya que si se emplea en
un aparato mecánico este puede estar circulando por los
campos por varias horas y enviar las alertas al centro de
operaciones cuando encuentre ciertas anomalías en las
plantas de arándanos. La metodología de trabajo que se
empleó en esta investigación fue la que se aprecia en la
figura 1. La primera fase que se realizó es el input de la
base de datos de las fotografías, se recopiló fotos de
distintas variedades de plantas de arándanos, el lugar de
recolección fue en el fundo Valle y Pampa, ubicado en la
Pampa California, en el desierto de Humay en Pisco, a
240 km al sur de Lima.
39
Revista PERSPECTIV@S

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.

Figura 1: Metodología de trabajo.

Las enfermedades y plagas principales que se podido
identificó gracias a la ayuda de la especialista del fundo,
se detallarán a continuación:
• Alternaria sp: Es un hongo que se reproduce
rápidamente en hojas secas. Ver la figura 2.
• Mosca blanca: Se sitúan en la parte trasera de las
hojas de las plantas, y se las van comiendo. Ver la
figura 3.
• Gusano perforador del fruto (Heliothis virescens):
Las larvas perforan frutos, los que se contaminan por
sus heces y patógenos. Ver figura 4.
• Trips (Thrips tabaci): Se alimenta de las partes
florales e interfieren con la polinización y amarre del
fruto. Ver figura 5 Figura 3: Hoja de arándano con mosca blanca.
• Fumagina: Se presenta inicialmente como una capa
fina de color negro. Ver figura 6.

Figura 4: Planta de arándano con gusano.

Figura 2: Hojas de arándano con Alternaria.

AÑO 14, Nº 13 40

PERSPECTIV@S Revista de Tecnología e Información 2018 | Año 15 | Nº 15 | 32-39 35

Revista PERSPECTIV@S
Figura 5: Trip.
Figura 6: Hoja de arándano con fumagina.
Se recopiló aproximadamente 400 capturas las cuales las
clasificamos por tipo de enfermedad de las que
encontramos en el fundo, después se procedió a cortar las
imágenes en otras debido a que en este proyecto nos
centraremos en las hojas de los arándanos, entonces de
una captura de una planta de arándano recortamos todas
las hojas que tenía. Ver figura 7. Por lo tanto obtuvimos
621 imágenes de hojas de arándanos.
Figura 7: Proceso de recorte.
La segunda fase y tercera es el pre-procesamiento y
segmentación respectivamente, donde vamos a convertir
la imagen de RGB (por sus siglas en inglés Red, Green y
Blue) a gris (como se observa en la Figura 8) para
AÑO 14, Nº 13
36 PERSPECTIV@S. Revista de Tecnología e Información 2018 | Año 15 | Nº 15 | 32-39
posteriormente poder realizar la binarización, este paso es
muy importante debido a que convierte la imagen de
blanco y negro a una imagen binaria. La imagen binaria,
como bien lo dice su nombre, va a constar de dos valores,
de 0 y 1, donde 0 indica que parte de la imagen es negro y
1 indica que es blanco. Este paso es importante debido a
que va a mejorar la calidad de extracción del objeto.
Figura 8: Proceso de convertir una imagen RGB a una de escala
de grises.
Otro filtro que utilizamos fue el Gaussiano donde se
aplica un filtro de caja que consta de coeficientes iguales,
se utiliza un núcleo gaussiano. Esto se hace con la
función, cv2.GaussianBlur (image, (5,5) ,0) de la librería
openCV. Como parámetros de entrada se tienen que pasar
el ancho y la altura del kernel, que debe ser positivo e
impar. Además hay que especificar la desviación estándar
en las direcciones X e Y, sigmaX y sigmaY,
respectivamente. Este tipo de filtrado es muy eficaz para
eliminar el ruido gaussiano de la imagen.
Podemos observar en la figura 9 una imagen original
(izquierda) y una con el filtro gaussiano (derecha).
Figura 9: Filtro gaussiano.
También le aplicamos el filtro Mediana, este filtro calcula
la mediana de todos los píxeles bajo la ventana del kernel
y el píxel central se reemplaza con este valor mediano.
Esto es muy efectivo para eliminar el ruido conocido
como ruido de sal y pimienta. OpenCV dispone de la
41
Revista PERSPECTIV@S
función cv2.medianBlur (img, 5) para aplicar este tipo
de filtro a una imagen. Al igual que en el filtro Gaussiano,
el tamaño del kernel en el filtro de mediana tiene que ser
un número entero impar positivo.
Podemos observar en la figura 10 una imagen original y
una con el filtro Mediana.
Figura 10: Imagen filtrada con mediana.
Luego procedimos a pasar las fotos por un filtro de realce
de detalles, esto con el fin de que en las imágenes se
puedan notar hasta los mínimos detalles, como los nervios
de las hojas. El filtro que se realizó fue el siguiente:
cv2.addWeighted (image_EG, 1.5, image_EG2, -0.5, 0,
image_EG).
Podemos observar en la figura 11 una imagen original
(izquierda) y una con el filtro de detalles (derecha).
Figura 11: Proceso de realce de detalles.
Según la metodología empleada, la cuarta fase es la
extracción de características para ello utilizamos
diferentes algoritmos para extraer vectores característicos
de las imágenes.
AÑO 14, Nº 13
PERSPECTIV@S. Revista de Tecnología e Información 2018 | Año 15 | Nº 15 | 32-39
HoG (Histograms of Oriented Gradient) - Robert K.
McConnell: Se usa para detectar objetos en visión por
computadora y procesamiento de imágenes. Cuenta las
ocurrencias del gradiente de orientación en porciones
localizadas de una imagen - ventana de detección, o
región de interés (ROI). Existen bibliotecas que ya
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.
Figura 12: Proceso de técnica HoG.
LBP (Local Binary Pattern)
o Es un método usado en extracción de características
de textura con motivos de clasificación.
o Tiene la característica que es invariante a cambios de
iluminación en los niveles de grises.
o Es ideal para aplicaciones que requieren rápida
extracción de características y clasificación de
texturas.
Finalmente luego de extraer las características de todas las
imágenes, procedimos a separarlas en dos clases: prueba y
test, pues para el entrenamiento del modelo trabajaremos
con la clase prueba y para verificar el modelo
emplearemos la clase test.
El algoritmo de aprendizaje que se utilizo fue SVM
(Suport Vector Machine), este algoritmo es un método de
clasificación en el cual se grafica cada dato como un
42
37
Revista PERSPECTIV@S
punto en un espacio de n dimensiones (donde n es el
número de variables que se tiene) con el valor de cada
variable siendo el valor de una coordenada en particular,
este algoritmo determinará si la planta de arándano está
siendo afectada por una enfermedad o plaga, o no.
4. Experimentos y Resultados
Los resultados obtenidos luego de evaluar el modelo
realizado con SVM, Random Forest y Redes neuronales y
probado con los vectores característicos extraídos: con los
algoritmos de extracción: HOG y LBP se muestran en la
tabla 1 , entonces el mejor resultado fue un accuracy de
0.856 esto representa que nuestro modelo reconoce con
un 85.6% de acertación, lo cual demuestra que nuestro
modelo entrenado con el algoritmo Redes neuronales y
utilizando los vectores característicos extraídos con LBP,
es adecuado para predecir el estado de la planta de
arándano, esto sin embargo puede mejorar si es que
entrenamos nuestro modelo con más imágenes , es decir
aumentemos nuestra base de datos, el proceso de este
resultado fue luego de pasar las imágenes de hojas
enfermas como sanas de nuestra clase prueba para
entrenar, para luego pasar las imágenes de la hojas
enfermas y sanas de la clase test para probar nuestro
modelo, comparando así la cantidad de acertaciones que
tuvo el modelo en cada hoja de arándano que entraba al
algoritmo.
Tabla 1: Tabla de resultados.
Suport Vector Random Redes
Machine Forest neuronales
HOG 0.72 0.56 0.616
LBP 0.824 0.62 0.856
5. Conclusiones y trabajos futuros
Concluimos que el modelo tiene un poder de predicción
representativo, es decir puede acertar bien al definir la
clase a la cual pertenece (si es una hoja con enfermedad o
no) una nueva imagen insertada en el modelo.
Además modificamos los parámetros para mejorar el
modelo de predicción debido a que notamos que cuando
gamma (margen de separación para evitar la
sobreestimación) es muy pequeño, el modelo es
demasiado limitado y no puede capturar la complejidad o
"forma" de los datos.
Concluimos también, debido a que la base de datos de las
imágenes fue creada desde cero, fue menos complicado el
pre procesamiento, se tuvo una base más limpia y
destinada a la elaboración del modelo que propusimos.
El trabajo a futuro después de esto es aumentar nuestra
base de datos de más imágenes, trabajar con más clases de
enfermedades y plagas para aumentar nuestro índice de
reconocimiento, también más adelante se trabajará con
otros algoritmos de extracción de características como sift
y surf, se empleará el uso de deep learning. Además de
poder construir un equipo electrónico que se encargue de
monitorear los campos de sembrío y que cuando
encuentre una planta de arándano afectada por una
enfermedad o plaga en su primera fase, envíe una alerta al
centro de operaciones porque como se ha dicho líneas
AÑO 14, Nº 13
38 PERSPECTIV@S. Revista de Tecnología e Información 2018 | Año 15 | Nº 15 | 32-39
arriba las técnicas actuales aún no son suficientes para
combatir estos problemas que afectan a los agricultores,
también se piensa en el desarrollo de una aplicación móvil
que utilice este modelo de reconocimiento y que ayude al
usuario de este sector.
Finalmente luego de este proyecto, y en apoyo a la
investigación de estos campos de estudio brindamos
nuestra base de datos a quién decida continuar con este
tipo de investigaciones a fin de aportar a la ciencia.
Referencias bibliográficas
[1] Arándanos en Perú: Situación actual y perspectiva
(Septiembre del 2017). Redagrícola. Recuperado de
http://www.redagricola.com/cl/arandanos-en-peru-
situacion-actual-y-perspectivas/
[2] Fuentes, A., Yoon, S., Kim, SC., Park, DS. (2017). A
robust deep-learning-based detector for real-time
tomato plant diseases and pests recognition. Sensors
in Agriculture, 17(9). doi: 10.3390/s17092022
[3] Hearty, J. (2016). Advanced Machine Learning.
Birmingham: Packt Publishing Ltd.
[4] Koo, W. (19 de Abril del 2018). Arándanos Perú
Exportación 2017 Diciembre. AgroDataPerú.
Recuperado de
https://www.agrodataperu.com/2018/01/arandanos-
peru-exportacion-2017-diciembre.html
[5] Koo, W. (19 de Abril del 2018). Arándanos Perú
Exportación 2018 Marzo. AgroDataPerú.
Recuperado de
https://www.agrodataperu.com/2018/04/arandanos-
peru-exportacion-2018-marzo.html
[6] Leiva, G. (2013). Assessment of internal and
external quality of blueberries using images. (Tesis
doctoral). Recuperada de
https://repositorio.uc.cl/bitstream/handle/11534/2881
/616521.pdf?sequence=1
[7] Perú desplaza a EE.UU. y Canadá en exportación
mundial de arándanos. Diario Gestión. Recuperado
de https://gestion.pe/economia/peru-desplaza-ee-uu-
canada-exportacion-mundial-arandanos-226463
[8] Pydipati, R. (2014). Evaluation of classifiers for
automatic disease Detection in citrus leaves using
machine visión (Tesis de maestría). Recuperada de
http://etd.fcla.edu/UF/UFE0006991/pydipati_r.pdf
[9] Resumen del mercado global del arándano (24 de
Enero del 2018). Blueberries. Recuperado de
https://www.blueberrieschile.cl/resumen-del-
mercado-global-del-arandano-enero-2018/
[10] Rizk, H. (2017). Automated early plant disease
detection and grading system: development and
implementation (Tesis de maestría). Recuperada de
http://dar.aucegypt.edu/handle/10526/5253
[11] Rojas, N. (10 de Diciembre del 2016). ¿Cómo tener
éxito en un proyecto de arándanos?
AgroNegociosPerú. Recuperado de
https://agronegociosperu.org/2016/12/10/como-
tener-exito-en-un-proyecto-de-arandanos/
43
Revista PERSPECTIV@S

[12] Rojas, N. (10 de Noviembre del 2015). Principales paltas-primeros-en-el-ranking-de-la-

plagas y enfermedades del arándano en el Perú. agroexportacion-este-ano/
AgroNegociosPerú. Recuperado de [17] Rojas, N. (8 de Febrero del 2018). Perú segundo
https://arandanosperu.pe/2015/11/20/principales- proveedor de arándanos para China después de
plagas-y-enfermedades-en-el-arandano-en-el-peru/ Chile. ArandanosPeru.pe. Recuperado de
[13] Rojas, N. (15 de Marzo 2018). Cultivo de arándanos https://arandanosperu.pe/2018/02/08/peru-segundo-
en Perú es más profesional y demanda más proveedor-de-arandanos-para-china-despues-de-
tecnología. ArandanosPeru.pe. Recuperado de chile/
https://arandanosperu.pe/2018/03/15/cultivo-de- [18] Rojas, N. (febrero del 2017). Plagas y enfermedades
arandanos-en-peru-es-mas-profesional-y-demanda- en arándanos, experiencias de éxito.
mas-tecnologia/ AgroNegociosPerú, 37, 1-84.
[14] Rojas, N. (19 de Noviembre del 2017). Perú exportó [19] Simeone, O. (2017). A Brief Introduction to Machine
arándanos por US$ 123 millones hasta setiembre Learning for Engineers. Londres.
2017. ArandanosPeru.pe. Recuperado de
[20] Sladojevic, S., Arsenovic, M., Anderla, A., Culibrk,
https://arandanosperu.pe/2017/11/19/peru-exporto-
D., Stefanovic, D. (2016). Deep neural networks
arandanos-por-us-123-millones-hasta-setiembre-
based recognition of plant diseases by leaf image
2017/
classification. Computational Intelligence
[15] Rojas, N. (21 de febrero del 2014). Plagas, Neuroscience, 11. doi: 0.1155/2016/3289801
enfermedades, riesgos en arándanos.
[21] Velázquez, N., Sasaki, Y., Nakano, K., Mejía, J.,
ArandanosPeru.pe. Recuperado de
Romanchik, E. (2011).Detection of powdery mildew
https://arandanosperu.pe/2014/02/21/plagas-
disease on rose using image processing with open
enfermedades-riesgos-en-arandanos/
CV. Revista Chapingo. Serie horticultura, 17(2), pp.
[16] Rojas, N. (6 de enero del 2018). Arándanos y paltas 151-160. doi: 10.5154/r.rchsh.2011.17.017
primeros en el ranking de la agro exportación este
año. ArandanosPeru.pe. Recuperado de
Autor Principal: Cecilia Sullca
https://arandanosperu.pe/2018/01/06/arandanos-y-

AÑO 14, Nº 13 44

PERSPECTIV@S. Revista de Tecnología e Información 2018 | Año 15 | Nº 15 | 32-39 39