Sistema inteligente para el análisis de plagas en plantas rosas Freedom aplicando redes neuronales
DOI:
https://doi.org/10.26820/recimundo/5.(2).abril.2021.344-357Palabras clave:
Comparación, Inteligencia Artificial, Plagas, Redes Neuronales Convolucionales, Rosas FreedomResumen
La producción florícola se ha convertido en uno de los ejes principales de exportaciones en el Ecuador como son las rosas de variedad Freedom, que son comercializadas a nivel nacional e internacional. Los floricultores han llegado analizar que las rosas pueden ser infectadas por plagas y ocasionar perdidas económicas, esto ocurre por la gran cantidad de humedad relativa o por sequía, las plagas se ubican generalmente en las hojas, en los tallos y botón foliar, en donde deben ser controladas a tiempo, aplicando procedimientos como la fumigación para mantener un control sobre las rosas de variedad Freedom. El objetivo es utilizar técnicas de inteligencia artificial como Redes Neuronales mediante el análisis de imágenes obtenidas en el muestreo de las rosas para discernir entre los tipos de plagas que afecta a la variedad Freedom, usando metodología de investigación de campo como encuestas, entrevistas y observación para identificar la necesidad de la investigación realizada luego de la ejecución del algoritmo Redes Neuronales Convolucionales, se ha obtenido como resultados que es factible la comparación de facciones de cada uno de las plagas identificadas encontrando que existe dos tipos de plagas que afectan la producción y la cosecha de las rosas Freedom, en donde se tomó en cuenta el análisis por semana a través de tablas de comparación de las plagas situadas en las plantas. La utilización de técnicas de inteligencia artificial en el sector floricultor ayuda a tener un control de calidad y de estadía de las rosas variedad Freedom evitando perdidas económicas.Descargas
Citas
Aguedas-Gamboa, M., Rodríguez-Solís, M., Guevarra-Bonilla, M., Esquivel-Segura, E., Sandoval-Rocha, S., & Briceño-Elizondo, E. (2019). INCIDENCIA Y SEVERIDAD DE Olivea tectonae Y Rhabdopterus sp EN PLANTACIONES JÓVENES DE Tectona grandis L.f. BAJO DISTINTAS. Agronomía Costarricense, 9-19.
Aguilar- Alavarado, J. V., & Capoverde-Molina, M. A. (2019). Clasificación de frutas basadas en redes neuronales convolucionales. Polo del Conocimiento, 3-22.
Cabezas, E., Andres, D., & Torres, J. (10 de 2018). Introduccion a la metodologia de la investigacion. Obtenido de http://repositorio.espe.edu.ec/jspui/bitstream/21000/15424/1/Introduccion%20a%20la%20Metodologia%20de%20la%20investigacion%20cientifica.pdf
Caicedo, M., Chicaiza, E., & Villa, M. (2021). nteligencia artificial enfocada al uso y distribución de terrenos para procesos de producción agrícola. ReciMundo, 141-152.
Donado, A. M. (2017). DISEÑO DE UN MODELO DE CLASIFICACIÓN DE ROSA EN CULTIVO Y POSCOSECHA EN LA EMPRESA ELITE FLOWERS FARMERS S.A.S. Obtenido de https://repositorio.uptc.edu.co/bitstream/001/1888/1/TGT-470.pdf
Dr. Porcuna, J. (2019). Manejo de plagas y enfermedades en producción ecológica. Obtenido de https://www.alcoi.org/export/sites/default/es/areas/medi_ambient/cimal/descargas/MANEJO-PLAGAS-Y-ENFERMEDADES-EN-PRODUCCION-ECOLOGICA.pdf
Durán Suérez, J. (2017). Redes Neuronales Convolucionales en R. Obtenido de http://bibing.us.es/proyectos/abreproy/91338/fichero/TFG+Jaime+Dur%C3%A1n+Su%C3%A1rez.pdf
EXPOFLORES. (2019). Informe Anaula de Exportaciones. Obtenido de https://expoflores.com/wp-content/uploads/2020/04/reporte-anual_Ecuador_2019.pdf
Gallardo, E. E. (2017). Metodologia de la Investigación. Huancayo: Universidad Continental.
García, P. P. (2013). Reconocieminto de Imágenes utilizando redes redes neuronales artificiales. Obtenido de https://eprints.ucm.es/id/eprint/23444/1/ProyectoFinMasterPedroPablo.pdf
Gauchi Risso, V. (2017). Estudio de los métodos de investigación y técnicas de recolección de datos utilizadas en bibliotecología y ciencia de la información. Revista Española de Documentacion Científica , e175.
Martinez, J. (s.f.). Reconocimiento de Imagenes mediante Redes Neuronales Convolucionales. Obtenido de http://oa.upm.es/53050/1/TFG_JAVIER_MARTINEZ_LLAMAS.pdf
Quintero, C., Merchán, F. C., & Sánchez-Galán, J. (2018). Uso de Redes Neuronales Convolucionales para el Reconocimiento Automático de Imágenes de Macroinvertebrados para el Biomonitoreo Participativo. Knowledge E, 585-596.
Reyes, R. (2016). EVALUACIÓN DE INDUCTORES EXTERNOS DE LA ACTIVACION DEL SISTEMA INMUNOLOGICO EN EL CULTIVO DE ROSA ( Rosa sp.). Obtenido de https://repositorio.uta.edu.ec/bitstream/123456789/22666/1/tesis-007%20Producci%c3%b3n%20Agric.%20sustentable%20-CD%20400.pdf
Rivas, W., & Mazón, B. (2018). Redes neuronales artificaciales aplicando reconocimiento de patrones. Machala: UTMACH.
Villada, F., Muñoz, N., & García, E. (2012). Aplicación de las Redes Neuronales al Pronóstico de Precios en el Mercado de Valores . Información Tecnológica, 11-20.
Villada, F., Muñoz, N., & García-Quintero, E. (2016). Redes Neuronales Artificiales aplicadas a la Predicción del Precio del Oro. Informacion Técnologica , 143-150.
Zarzuela, M. M., & Díaz, F. J. (2019). EVALUACIÓN DEL USO DE REDES NEURONALES CONVOLUCIONALES PARA CLASIFICACIÓN DE CULTIVOS MEDIANTE IMAGEN MULTIESPECTRAL. Obtenido de https://core.ac.uk/download/pdf/250406384.pdf