DOI:
https://doi.org/10.14483/22484728.15906Publicado:
2020-01-31Número:
Vol. 14 Núm. 1 (2020)Sección:
Visión de CasoMobile application for the detection of black Sigatoka
Aplicativo móvil para la detección de Sigatoka negra
Palabras clave:
Black Sigatoka, Mobile application, Mobile device (en).Palabras clave:
Sigatoka Negra, Aplicativo móvil, Dispositivo móvil (es).Descargas
Resumen (en)
Black Sigatoka is one of the main problems that affect the quality and production of the banana crop, it´s because of this, the development of systems to detect diseases, generate an important tool for the monitoring and control carried out by the farmer. The proposed system leverages hardware on mobile devices to implement computer vision techniques to determine the percentage of affected area of the plant.
The smartphone is used to acquire data and capture the disease through images. The detection of diseased pixels is then performed through a segmentation algorithm with histogram analysis. A model for the calculation of the affected area is then computed. Finally, the information is presented through the user interface.
To validate the proposed method, a database is created with images taken by the application to compare it´s efficiency through the RMS error between manual segmentation and the result of the algorithm. Finally, usability and response time tests are performed.
Resumen (es)
La Sigatoka Negra es uno de los principales problemas que afectan la producción del cultivo de plátano, es por esto, que el desarrollo de sistemas que permitan la detección de enfermedades, generan una herramienta importante para el monitoreo y control realizado por el agricultor. El sistema propuesto, aprovecha el hardware en dispositivos móviles para implementar técnicas de visión por computador que permitan determinar el porcentaje de área afectada de la planta.
El Smartphone es utilizado para adquirir datos y capturar la enfermedad a través de imágenes. Después se realiza la detección de los píxeles enfermos a través de un algoritmo de segmentación con análisis por histograma. Posteriormente se computa un modelo para el cálculo del área afectada. Por último, se presenta la información a través de la interfaz de usuario.
Para validar el método propuesto, se crea una base de datos con imágenes tomadas por medio del aplicativo para comparar su eficiencia a través del error RMS entre la segmentación manual y el resultado del algoritmo. Finalmente se realizan pruebas de usabilidad y tiempo de respuesta.
Referencias
H. Agudelo, “Plátanos, lo que más produce el campo colombiano”, 2016. [Online]. Available at: https://www.elcolombiano.com/negocios/inventario-agropecuario-de-colombia-NN3384078
Universidad Nacional de Colombia, Agencia de Noticias UN, “Bacterias controlarían Sigatoka negra en cultivos de banano”, 2019. [Online]. Available at: https://agenciadenoticias.unal.edu.co/detalle/article/bacterias-controlarian-sigatoka-negra-en-cultivos-de-banano.html
P. Abrahamsson et al., “Mobile-D: an agile approach for mobile application development”, Companion to the 19th annual ACM SIGPLAN conference on Object-oriented programming systems, languages, and applications - OOPSLA '04, 2004. https://doi.org/10.1145/1028664.1028736
E. García and F. Flego, “Agricultura de precisión”, 2015. [Online]. Available at: https://www.palermo.edu/ingenieria/downloads/pdfwebc&T8/8CyT12.pdf
C. Sullca, C. Molina and T. Fernández, “Detección de enfermedades y plagas en las hojas de arándanos utilizando técnicas de visión artificial”, 2019. [Online]. Available at: http://revistas.uigv.edu.pe/index.php/perspectiva/article/view/590
N. Velázquez-López, Y. Sasaki, K. Nakano, J. Mejía-Muñoz and E. Romanchik Kriuchkova, “Detection of powdery mildew disease on rose using image processing with open CV”, Revista Chapingo Serie Horticultura, vol. 17, no. 2, pp. 151-160, 2011. https://doi.org/10.5154/r.rchsh.2011.17.017
A. Camargo and J. Smith, “Image pattern classification for the identification of disease causing agents in plants”, Computers and Electronics in Agriculture, vol. 66, no. 2, pp. 121-125, 2009. https://doi.org/10.1016/j.compag.2009.01.003
A. Camargo and J. Smith, “An image-processing based algorithm to automatically identify plant disease visual symptoms”, Biosystems Engineering, vol. 102, no. 1, pp. 9-21, 2009. https://doi.org/10.1016/j.biosystemseng.2008.09.030
V Pooja, R. Das and V. Kanchana, “Identification of plant leaf diseases using image processing techniques”, IEEE Technological Innovations in ICT for Agriculture and Rural Development (TIAR), 2017. https://doi.org/10.1109/TIAR.2017.8273700
B. Tigadi and B. Sharma, “Banana Plant Disease Detection and Grading Using Image Processing”, International Journal of Engineering Science and Computing-IJESC, col. 6, no. 6, pp. 6512-6516, 2016. https://doi.org/10.4010/2016.1565
IMS, “IMS mobile in Latam Study”, 2016. [Online]. Available at: https://www.imscorporate.com/news/Estudios-comScore/IMS-Mobile-Study-Septiembre2016.pdf
I. Elhenawy and A. Khamiss, “The Design and Implementation of Mobile Arabic Fingerspelling Recognition System”, IJCSNS International Journal of Computer Science and Network Security, vol. 14 no. 2, 2014.
J. Cañas Bonilla, “Aplicativo móvil para la determinación de polarizado en vidrios implementando técnicas de visión por computador”, thesis, Universidad Tecnológica de Pereira, Colombia, 2020.
S. Gammeter, A. Gassmann, L Bossard, T. Quack and L. Van Gool, “Server-side object recognition and client-side object tracking for mobile augmented reality”, IEEE Computer Society Conference on Computer Vision and Pattern Recognition – Workshops, 2010. https://doi.org/10.1109/CVPRW.2010.5543248
H. Chathura and D. Withanag, “Computer assisted plant identification system for Android”, Moratuwa Engineering Research Conference (MERCon), 2015. https://doi.org/10.1109/MERCon.2015.7112336
V. Singh and A. Misra, “Detection of plant leaf diseases using image segmentation and soft computing techniques”, Information Processing in Agriculture, vol. 4, no. 1, pp. 41-49, 2017. https://doi.org/10.1016/j.inpa.2016.10.005
R. Moreno, “Plagapp, herramienta para reconocer plagas en cultivos”, 2018. [Online]. Available at: https://agenciadenoticias.unal.edu.co/detalle/article/plagapp-herramienta-para-reconocer-plagas-en-cultivos.html
M. Gomez, A. Vergara, H. Ruiz, N. Safari, S. Elayabalan, W. Ocimati and G. Blomme, “AI-powered banana diseases and pest detection”, Plant Methods, vol. 15, no. 92, 2019. https://doi.org/10.1186/s13007-019-0475-z
S. Pinto-González, J. Escobar-Guzmán, K. Murcia-Zapata, M. Romero-Cerón and B. Valencia-Vidal, “Validación mediante el Método PPI de un Algoritmo Computacional para la Medición Automática del Área de Afectación por Sigatoka Negra en Imágenes de Hojas de Plátano del Departamento del Meta, Colombia”, Sistemas, Cibernética e Informática, vol. 14, no. 1, pp. 24-28, 2017.
J. Aristizabal, “Evaluación de un método de Aprendizaje Supervisado para la detección de las enfermedades, Antracnosis y Phytophthora Infestans en cultivos de fruta de Risaralda”, thesis, Universidad Tecnológica de Pereira, Colombia, 2017.
A. Jihen, B. Bassem and A. Alsayed, “A Deep Learning-based Approach for Banana Leaf Diseases Classification”, Datenbanksysteme für Business, Technologie und Web (BTW 2017), 2017.
G. López Martínez, C. Buriticá Arboleda, y E. Silva Lora, "La biomasa residual pecuaria como recurso energético en Colombia", Visión electrónica, vol. 12, no. 2, pp. 180-188, nov. 2018. https://doi.org/10.14483/22484728.14066
J. D. Nieto Duran, L. F. Santos Quintero, L. J. Vargas Escobar, y S. A. Salinas, “Geolocalización para pacientes con alzhéimer: una propuesta”, Visión Electrónica, vol. 11, no. 1, pp. 40-44, jun. 2017. https://doi.org/10.14483/22484728.12791
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
.png)
atribución- no comercial 4.0 International
.jpg)
