Resumen

La producción de cultivos de invernadero está creciendo en todo el mundo y la detección precoz de plagas reviste especial importancia en términos de productividad y reducción del uso de pesticidas. Los métodos convencionales de observación ocular no son eficientes para grandes cultivos. La visión por ordenador y los recientes avances en aprendizaje profundo pueden desempeñar un papel importante en el aumento de la fiabilidad y la productividad. Este artículo presenta el desarrollo y la comparación de dos enfoques diferentes para la detección e identificación automatizada de plagas basada en la visión, utilizando estrategias de aprendizaje. Se compara una solución que combina visión por ordenador y aprendizaje automático frente a una solución de aprendizaje profundo. El enfoque principal de nuestro trabajo se centra en la selección del mejor enfoque basado en la precisión de detección e identificación de plagas. La inspección se centra en las plagas más dañinas en los cultivos de tomate y pimiento de invernadero, Bemisia tabaci y Trialeurodes vaporariorum. Se creó un conjunto de datos con un gran número de imágenes de plantas de tomate infectadas para generar y evaluar modelos de aprendizaje automático y aprendizaje profundo. Los resultados mostraron que la técnica de aprendizaje profundo proporciona una mejor solución porque (a) logra la detección y clasificación de la enfermedad en un solo paso, (b) obtiene una mayor precisión, (c) puede distinguir mejor entre Bemisia tabaci y Trialeurodes vaporariorum, y (d) permite equilibrar entre velocidad y precisión mediante la elección de diferentes modelos.

• Materias:Biotecnología Sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology sensors Sensor system Sensor technology
• Palabras claves:bemisia tabaci, trialeurodes vaporariorum, aprendizaje automático, detección de plagas, métodos convencionales de observación ocular, imágenes de tomateras infectadas, producción de cultivos de invernadero, modelos de aprendizaje profundo, solución de aprendizaje profundo, detección precoz de plagas
• Keywords:bemisia tabaci, trialeurodes vaporariorum, machine learning, pest detection, conventional eye observation methods, infected tomato plants images, greenhouse crop production, deep learning models, deep learning solution, early pest detection