App para detectar enfermedades de plantas
Identificador de planta
Con la escasez mundial de alimentos convirtiéndose en una realidad cada vez más acuciante, la tecnología ha intervenido para ayudar a que la agricultura sea lo más eficiente posible. Hemos visto un robot de jardín que funciona con energía solar, riega las plantas y ahuyenta las plagas, ayudando a las personas a ser más autosuficientes a pequeña escala. Por otro lado, una urbanización de Dubai pretende llevar la agricultura sostenible a una escala mayor, creando un método de cultivo que utiliza un 90% menos de agua. Agrio es una aplicación gratuita que ayuda a los agricultores a identificar y erradicar enfermedades de sus cultivos. A su vez, esto ayuda a combatir la escasez de expertos agrícolas a mano para ayudar a los agricultores.
Agrio es una empresa emergente con sede en Israel que se creó a partir de la constatación de que, según las estimaciones, se perdía un 30% de la producción mundial. Su aplicación para teléfonos inteligentes pretende ser un método preventivo que permita a los agricultores diagnosticar, tratar y contener enfermedades en sus cultivos. La aplicación funciona con un motor de inteligencia artificial (IA), Saillog, que despliega algoritmos en dispositivos móviles. Esto permite a Saillog compartir su base de datos de información con agricultores de todo el mundo, de forma rápida y sencilla. El motor de inteligencia es capaz de identificar cientos de enfermedades y deficiencias a la vez que obtiene más datos.
Uso del aprendizaje profundo para la detección de enfermedades vegetales basada en imágenes
Las enfermedades de los cultivos son una importante amenaza para la seguridad alimentaria, pero su rápida identificación sigue siendo difícil en muchas partes del mundo debido a la falta de la infraestructura necesaria. La combinación de la creciente penetración de los teléfonos inteligentes en todo el mundo y los recientes avances en visión por ordenador, posibles gracias al aprendizaje profundo, ha allanado el camino para el diagnóstico de enfermedades asistido por teléfonos inteligentes. Utilizando un conjunto de datos público de 54.306 imágenes de hojas de plantas enfermas y sanas recogidas en condiciones controladas, entrenamos una red neuronal convolucional profunda para identificar 14 especies de cultivos y 26 enfermedades (o su ausencia). El modelo entrenado alcanza una precisión del 99,35% en un conjunto de pruebas retenidas, lo que demuestra la viabilidad de este enfoque. En general, el enfoque de entrenar modelos de aprendizaje profundo en conjuntos de datos de imágenes cada vez más grandes y disponibles públicamente presenta un camino claro hacia el diagnóstico de enfermedades de los cultivos asistido por smartphone a escala global masiva.
Se han desarrollado varios esfuerzos para prevenir la pérdida de cultivos debido a enfermedades. En la última década, los enfoques históricos de aplicación generalizada de pesticidas se han complementado cada vez más con enfoques de gestión integrada de plagas (GIP) (Ehler, 2006). Independientemente del enfoque, la identificación correcta de una enfermedad cuando aparece por primera vez es un paso crucial para su gestión eficaz. Históricamente, la identificación de enfermedades ha contado con el apoyo de organizaciones de extensión agrícola u otras instituciones, como clínicas locales de plantas. Más recientemente, estos esfuerzos se han complementado con el suministro de información en línea para el diagnóstico de enfermedades, aprovechando la creciente penetración de Internet en todo el mundo. Incluso más recientemente, han proliferado las herramientas basadas en teléfonos móviles, aprovechando la rápida adopción sin precedentes de la tecnología de telefonía móvil en todas las partes del mundo (UIT, 2015).
Aplicación gratuita Plantsnap
La familia MyPestGuide de herramientas de apoyo gratuitas incluye una aplicación dedicada a los reporteros y tres (3) guías de campo para la identificación de plagas (iOS, Apple y Android), que funcionan junto con el sitio web de la comunidad. MyPestGuide ayuda a reunir a las personas que tienen problemas de plagas similares en su área local creando una red de colaboración.
La información recopilada por los usuarios de MyPestGuide refuerza y apoya el acceso de Australia a los mercados comerciales de ultramar existentes o nuevos, ayudando al departamento a mantener el estatus de Australia como país libre de plagas y a inferir que estamos libres de plagas exóticas. Así que, por favor, ayude a la bioseguridad de las explotaciones, al medio ambiente y a nuestra economía participando en la nueva comunidad de seguimiento y vigilancia de plagas. ¡Notifique una plaga hoy mismo!
La guía de campo MyPestGuide Enfermedades funciona conjuntamente con MyPestGuide Reporter. Utilícela para identificar enfermedades de partes de la planta o signos observables de daños en cultivos de cereales en toda Australia Occidental.
Aplicación gratuita para el cuidado de las plantas
ResumenLas enfermedades y plagas de las plantas son factores importantes que determinan su rendimiento y calidad. La identificación de enfermedades y plagas de las plantas puede llevarse a cabo mediante el procesamiento digital de imágenes. En los últimos años, el aprendizaje profundo ha hecho grandes avances en el campo del procesamiento digital de imágenes, muy superiores a los métodos tradicionales. Cómo utilizar la tecnología de aprendizaje profundo para estudiar la identificación de enfermedades y plagas de las plantas se ha convertido en un tema de investigación de gran interés para los investigadores. Esta revisión proporciona una definición del problema de detección de enfermedades y plagas de las plantas, y presenta una comparación con los métodos tradicionales de detección de enfermedades y plagas de las plantas. De acuerdo con la diferencia de la estructura de la red, este estudio describe la investigación sobre la detección de enfermedades y plagas de las plantas basada en el aprendizaje profundo en los últimos años desde tres aspectos de la red de clasificación, la red de detección y la red de segmentación, y se resumen las ventajas y desventajas de cada método. Se introducen conjuntos de datos comunes y se compara el rendimiento de los estudios existentes. Sobre esta base, este estudio analiza los posibles desafíos en las aplicaciones prácticas de la detección de enfermedades y plagas de las plantas basadas en el aprendizaje profundo. Además, se proponen posibles soluciones e ideas de investigación para los retos, y se ofrecen varias sugerencias. Por último, este estudio ofrece el análisis y la perspectiva de la tendencia futura de la detección de enfermedades y plagas de las plantas basada en el aprendizaje profundo.