���������������������������������������������������������������������������������
Implementaci�n de modelo machine learning aplicado al estudio de enfermedades de caf� en el centro de investigaci�n sacha wiwa
Implementation of a machine learning model applied to the study of coffee diseases at the Sacha Wiwa Research Center
Implementa��o de um modelo de aprendizado de m�quina aplicado ao estudo de doen�as do caf� no Sacha Wiwa Research Center
![]() |
||
![]() |
Correspondencia: geovanny.silva1764@utc.edu.ec ��
Ciencias de la Salud
Art�culo de Investigaci�n
* Recibido: 13 de octubre de 2022 *Aceptado: 28 de noviembre de 2022 * Publicado: 12 de diciembre de 2022
I. Mag�ster en Gerencia Inform�tica, Docente de la Facultad de Ciencias de Ingenier�a y Aplicadas, Carrera de Sistemas de Informaci�n, Universidad T�cnica de Cotopaxi, La Mana, Ecuador.
II. Mag�ster en Ciencias de la Educaci�n Ingeniero en Sistemas Instituto Superior Tecnol�gico Tungurahua, Ambato, Ecuador.
III. Ingeniera en Inform�tica y Sistemas Computacionales, Mag�ster en Evaluaci�n y Auditoria de Sistemas Tecnol�gicos, Docente Universidad T�cnica de Cotopaxi Extensi�n La Man� Carrera Sistemas de informaci�n, Ecuador.
IV. Mag�ster en Inform�tica Empresarial, Docente de la Facultad de Ciencias de Ingenier�a y Aplicadas, Carrera de Sistemas de informaci�n, Universidad T�cnica de Cotopaxi, La Man�, Ecuador.
Resumen
El objetivo de la presente investigaci�n, fue la implementaci�n del modelo Machine Learning (ML) aplicado al estudio de enfermedades de caf� en el Centro de Investigaci�n Sacha Wiwa de la Parroquia Guasaganda, Cant�n La Man�, Provincia de Cotopaxi; con el fin de facilitar el proceso de reconocimiento de las enfermedades y mejorar su calidad de producci�n. Para ello, se ha consider� una investigaci�n bibliogr�fica, de campo mediante un aplicativo de sistema m�vil con Android y ML en un entorno IDE Visual Studio Code, React native, y NodeJs. Para la creaci�n y entrenamiento del modelado se utiliz� Jupyter Lab, Tensorflow, Keras con JavaScript, Phyon, mediante la importaci�n de librer�as con 1180 fotos aleatorias de las 3 enfermedades encontradas de caf� y de su estado saludable para el entrenamiento del modelo de Inteligencia Artificial. Se utiliz� la metodolog�a MOBILE-D ya que la ponderaci�n de sus caracter�sticas fue mayor con respecto a las metodolog�as �giles. La implementaci�n tuvo como finalidad el an�lisis de im�genes de las hojas enfermas para facilitar el proceso de reconocimiento; lo cual permiti� tomar medidas preventivas y correctivas de propagaci�n y tratamiento, evitando la p�rdida del cultivo y mejorar� la calidad de producci�n.
Palabras claves: Machine Learning; Deep learning; Aplicativo M�vil; Diagn�stico de Enfermedades; Caf� (Coffea ar�bica).
Abstract
The objective of this research was the implementation of the Machine Learning (ML) model applied to the study of coffee diseases at the Sacha Wiwa Research Center of the Guasaganda Parish, La Man� Canton, Cotopaxi Province; in order to facilitate the process of recognition of diseases and improve their production quality. For this, a bibliographical, field research has been considered through a mobile system application with Android and ML in an IDE environment Visual Studio Code, React native, and NodeJs. For the creation and training of the modeling, Jupyter Lab, Tensorflow, Keras with JavaScript, Phyon were used, by importing libraries with 1180 random photos of the 3 coffee diseases found and their healthy state for the training of the Artificial Intelligence model. The MOBILE-D methodology was used since the weighting of its characteristics was higher with respect to agile methodologies. The implementation had as purpose the analysis of images of diseased leaves to facilitate the recognition process; which allowed taking preventive and corrective propagation and treatment measures, avoiding crop loss and improving production quality.
Keywords: Machine Learning; deep learning; Mobile Application; Diagnosis of Diseases; Coffee (Coffea arabica).
Resumo
O objetivo desta pesquisa foi a implementa��o do modelo Machine Learning (ML) aplicado ao estudo das doen�as do caf� no Centro de Pesquisa Sacha Wiwa da Par�quia de Guasaganda, Cant�o La Man�, Prov�ncia de Cotopaxi; a fim de facilitar o processo de reconhecimento de doen�as e melhorar a qualidade de sua produ��o. Para isso, foi considerada uma pesquisa bibliogr�fica, de campo, por meio de um aplicativo de sistema m�vel com Android e ML em ambiente IDE Visual Studio Code, React nativo e NodeJs. Para a cria��o e treinamento da modelagem foram utilizados Jupyter Lab, Tensorflow, Keras com JavaScript, Phyon, importando bibliotecas com 1180 fotos aleat�rias das 3 doen�as do caf� encontradas e seu estado saud�vel para o treinamento do modelo de Intelig�ncia Artificial. A metodologia MOBILE-D foi utilizada uma vez que a pondera��o de suas caracter�sticas foi maior em rela��o �s metodologias �geis. A implementa��o teve como finalidade a an�lise de imagens de folhas doentes para facilitar o processo de reconhecimento; o que permitiu tomar medidas preventivas e corretivas de propaga��o e tratamento, evitando perdas de colheitas e melhorando a qualidade da produ��o.
Palavras-chave: Aprendizado de M�quina; aprendizagem profunda; Aplicativo M�vel; Diagn�stico de Doen�as; Caf� (Coffea ar�bica).
Introducci�n
La identificaci�n de las enfermedades de las plantas es un tema que preocupa mucho a los agricultores, debido a que predice directamente el rendimiento que afecta a la productividad. Para identificar una planta con alguna enfermedad y recomendar los movimientos necesarios de recuperaci�n (Dipakkumar, 2018), se requiere una gran experiencia y conocimientos. Para diagnosticar la enfermedad y sugerir medidas de control, se est�n utilizando muchos sistemas asistidos por ordenador en casi todos los pa�ses, (Harjeet, Deepak, & Madhuri, 2019).
Boyd y Sun (1994) propusieron un prototipo de sistema experto para el diagn�stico de enfermedades de la patata, el cual emulaba la experiencia humana en el diagn�stico de las enfermedades de la planta. Otros trabajos relacionados con la identificaci�n de enfermedades de las plantas fueron el del cultivo de arroz, mediante una base de conocimientos que consist�a en diferentes enfermedades [ (Sarma, Singh, & Singh, 2010), (Balleda, et al, 2014)].
Babu & Rao (2007), utilizaron redes neuronales de retro propagaci�n en su sistema de reconocimiento de hojas para el control de plagas y enfermedades en los cultivos. Ismail y Mustikasari (2013), crearon un sistema inteligente para la detecci�n de enfermedades en las hojas de t�. Huang (2007) propuso un modelo de procesamiento de im�genes acoplado a un modelo de red neuronal artificial para clasificar las enfermedades de las plantas de Falanopsis (Hanson, Joy, & Francis, 2017). Sannakki et al. (2011) aplicaron un enfoque de l�gica difusa acoplado al procesamiento de im�genes para detectar el porcentaje de infecci�n en la hoja.
La inteligencia artificial proyecta construir aplicaciones que simulen y act�en racionalmente como los humanos percibiendo un entorno circundante a fin de que en determine metas o tareas. En el lenguaje hablado, cuando las m�quinas imitan las funciones "cognitivas" asociadas con los humanos otros pensamientos humanos, como aprender y resolver, problema, (Rich, Knight, Calero, G, & Bodega, 1994).
El aprendizaje autom�tico o Machine Learning, es un m�todo cient�fico que mediante hardware y software se pueda aprender a extraer patrones y relaciones que existen en los datos por s� mismos. Los patrones pueden ser usar para predecir el comportamiento y tomar decisiones, (Valdez, 2018). El aprendizaje autom�tico permite a los ordenadores, tener la capacidad de aprender sin ser inequ�vocamente personalizados y similares al trabajo de un ser humano.
Actualmente, existen algoritmos que intervienen dentro de la rama de la Inteligencia Artificial y las redes neuronales artificiales, las cuales constituyen t�cnicas de aprendizaje autom�tico inspiradas en el comportamiento del cerebro humano a trav�s de capas de interconexi�n para procesar la informaci�n. Cada capa consta de un conjunto de nodos, que transmiten informaci�n a otros nodos en capas posteriores (Beraud, 2018).
Las redes neuronales han evolucionado tanto en la habilidad de c�lculo, como del big-data, permitiendo algoritmos basados en Deep Learning que permiten una proximidad y mejora con respecto al desempe�o humano que involucran las �reas reconocimiento de voz o imagen.
Las redes neuronales convolucionales, concentra la construcci�n de aprendizaje profundo, que utilizan una arquitectura que utiliza el modelado de redes neuronales artificiales, donde las neuronas corresponden campos receptivos similares a las neuronas en la corteza visual del cerebro humano.
Existen bibliotecas de c�lculo num�rico que se especializan en el aprendizaje profundo con un ambiente completo y el�stico de herramientas, bibliotecas y recursos comunitarios que accede a los desarrolladores promover el aprendizaje autom�tico innovador y permite a los investigadores compilar e efectuar f�cilmente aplicaciones basadas en IA.�(TensorFlow, 2020)
React, es una plataforma que permite crear aplicaciones nativas para Android como para iOS, que no compromete las experiencias de sus usuarios y proporciona un conjunto b�sico de componentes nativos independientes como View, Text y Image. Los cuales se asignan directamente a los componentes b�sicos de la interfaz de usuario. Los componentes de React tienen c�digo nativo que interact�an con las API nativas a trav�s del paradigma de IU declarativo de React y JavaScript. (React Native, 2020)
Por otro lado, REST� (Representational State Transfer) es un servicio que no tiene estado (es stateless), lo que quiere decir que, entre dos llamadas cualesquiera, el servicio pierde todos sus datos. Esto es, que no se puede llamar a un servicio REST y pasarle unos datos (p. ej. un usuario y una contrase�a) y esperar que �nos recuerde� en la siguiente petici�n.�(Tom�s, 2021)
La metodolog�a Mobile-D es una mezcla de muchas t�cnicas que se divide de distintas fases como son: exploraci�n, inicializaci�n, fase de producci�n, fase de estabilizaci�n y la fase de pruebas. Cada una tiene una funci�n especial para que el desarrollo de la metodolog�a �gil sea eficiente y el producto sea una aplicaci�n m�vil de calidad (Hern�ndez & G�mez, 2016; Stapic, 2013).
Con la antes sustentando, la investigaci�n tiene como finalidad y prop�sito el ayudar a los peque�os y grandes caficultores en el reconocimiento de las enfermedades de caf�, mediante t�cnicas de inteligencia artificial y an�lisis de im�genes de las hojas enfermas de �sta, facilitando el proceso de reconocimiento de las enfermedades, tratamiento y mejorar su calidad de producci�n.
La investigaci�n aplico el m�todo documental ya que permiti� la recolecci�n de informaci�n mediante la revisi�n de textos, art�culos, revistas, sitios webs y bibliograf�as sobre el contexto del tema de investigaci�n, y porque se fundament� cient�fica-t�cnicamente las herramientas a utilizar en la ejecuci�n de la aplicaci�n m�vil, enmarcadas en los objetivos del proyecto.
Se aplic� el m�todo anal�tico sint�tico, con el fin de observar las causas, naturaleza y efectos de los modelos Machine Learning en las enfermedades del cafeto (coffee) y las herramientas de software. Adem�s, se aplic� el m�todo deductivo para especificar los atributos sobre del tema para extraer las conclusiones, mediante instrumentos como la entrevista.
Se consider� la aplicaci�n de la investigaci�n bibliogr�fica, a fin de sustentar las bases te�ricas y cient�ficas expresadas por los autores en referencia al tema de investigaci�n, respaldada en obras bibliogr�ficas, de libros, revistas, articulas, sitios webs. La investigaci�n fue de campo, ya que se recolect� datos enfocados a entender, observar e interactuar con las personas en su entorno original, a trav�s de un datasets y la valoraci�n t�cnica de expertos en el tema sobre las enfermedades que afectan al cultivo del cafeto en las huertas del Centro de Investigaci�n Sacha Wiwa, ubicada en la Parroquia Guasaganda, Cant�n La Man�, Provincia de Cotopaxi.
La investigaci�n desarrolla una propuesta de basadas en especificaciones t�cnicas de las herramientas como entorno de desarrollo IA, Frameworks y lenguajes de programaci�n a usar en el dise�o de modelos Machine Learning para la aplicaci�n de clasificaci�n de enfermedades del cultivo del Cafeto.
Se utiliz� la t�cnica de la entrevista con un cuestionario para recopilar informaci�n para conocer su valoraci�n y criterio acerca de las enfermedades del cultivo del cafeto, con el fin de obtener conocimientos suficientes del objeto de estudio.
Mediante la observaci�n se obtuvo el levantamiento de datos y muestra sobre las enfermedades Roya (Hemileia vastatrix), Alternaria Alternata (Fr.) Keissl, Gotera u Ojo de gallo (Mycena citricolor), y Broca del fruto (Hypotenemus hampei Ferr.) que afectan al cultivo del cafeto de un muestreo intencional.
Se tom� como referencia de estudio del campo al Centro de Investigaci�n Sacha Wiwa, de acuerdo al criterio t�cnico de los expertos que constan de tomas aleatoriamente de 1180 fotos con las 3 enfermedades del cafeto y de su estado saludable para el entrenamiento del modelo de Inteligencia Artificial, las cuales generaron 4 clases:
� Hojas con Roya (Hemileia vastatrix): 372 im�genes.
� Hojas con Alternaria Alternata (Fr.) Keissl: 240 im�genes.
� Hojas con Gotera u Ojo de gallo (Mycena citricolor): 339 im�genes.
� Hojas sanas: 229 im�genes.
Para el desarrollo de la investigaci�n se consider� validar y verificar sistem�ticamente las siguientes fases:
Identificar los aspectos que intervienen en la clasificaci�n y predicci�n de enfermedades del Cafeto (Coffea ar�bica)
Establecer las herramientas y t�cnicas necesarias para el desarrollo de aplicaciones m�viles, basada en un modelo de inteligencia artificial que permita identificar im�genes de enfermedades del cafeto (Coffea ar�bica).
Implementar modelo de inteligencia artificial mediante la aplicaci�n m�vil, empleando caso de estudio real para la clasificaci�n y predicci�n de enfermedades del cafeto (Coffea ar�bica) en base a criterio especialista de las enfermedades encontradas.
Planificaci�n de fases
Figura 1: Matriz de fases del desarrollo Mobile-D
Fase |
Iteraci�n |
Descripci�n |
Exploraci�n |
Iteraci�n 0 |
Establecimiento del proyecto, establecimiento de los grupos de inter�s, limitaciones, supuestos y dependencias. |
Inicializaci�n |
Iteraci�n 0 |
An�lisis de los requerimientos. |
Producci�n |
Iteraci�n 1 |
Integraci�n de la autenticaci�n de acceso de usuarios al sistema. Integraci�n de la funcionalidad de diagn�stico de enfermedad mediante modelo de inteligencia artificial, generaci�n de interfaces. Generaci�n y pruebas de aceptaci�n. |
Iteraci�n 2 |
Implementaci�n de la funcionalidad de registro de usuarios. Incorporar mejoras al modelo despu�s de haber realizado reentrenamiento mediante inteligencia artificial, mejora en la presentaci�n de interfaces. Generaci�n y pruebas de aceptaci�n. |
|
Iteraci�n 3 |
Implementaci�n de la funcionalidad de reconocimiento de enfermedades del cafeto usando la c�mara y storage de dispositivo. Incorporar mejoras a la funcionalidad de diagn�stico de enfermedad mediante inteligencia artificial, mejora en la presentaci�n de interfaces. Generaci�n y pruebas de aceptaci�n. |
|
Iteraci�n 4 |
Implementaci�n de vistas de historial y resumen de enfermedades diagnosticadas. Implementaci�n de la funcionalidad de almacenamiento y sincronizaci�n de datos con el servidor, mejora en la presentaci�n de interfaces. Generaci�n y pruebas de aceptaci�n. |
|
Iteraci�n 5 |
Integraci�n de vistas de configuraci�n y ayuda en el manejo de aplicativo m�vil, mejora en la presentaci�n de interfaces. Generaci�n y pruebas de aceptaci�n. |
|
Estabilizaci�n |
Iteraci�n 6 |
Refactorizaci�n de la autenticaci�n de acceso de usuarios al sistema. Definici�n de la funcionalidad diagn�stico de enfermedad mediante modelo de inteligencia artificial y definici�n de las de interfaces definitivas. Aplicaci�n de las pruebas para su correspondiente aceptaci�n. |
Iteraci�n 7 |
Refactorizaci�n de la funcionalidad de registro de usuarios. Definici�n de la funcionalidad diagn�stico de enfermedad mediante modelo de inteligencia artificial y definici�n de las de interfaces definitivas. Aplicaci�n de las pruebas para su correspondiente aceptaci�n. |
|
Iteraci�n 8 |
Refactorizaci�n de la funcionalidad de reconocimiento de enfermedades del cafeto usando la c�mara y storage de dispositivo. Definici�n de mejoras a la funcionalidad de diagn�stico de enfermedad mediante inteligencia artificial, y definici�n de las de interfaces definitivas.. Aplicaci�n de las pruebas para su correspondiente aceptaci�n. |
|
Iteraci�n 9 |
Refactorizaci�n de vistas de historial y resumen de enfermedades diagnosticadas. Definici�n de la funcionalidad de almacenamiento y sincronizaci�n de datos con el servidor, definici�n de las de interfaces definitivas. Aplicaci�n de las pruebas para su correspondiente aceptaci�n. |
|
Iteraci�n 10 |
Refactorizaci�n de vistas de configuraci�n y ayuda en el manejo de aplicativo m�vil y definici�n de las de interfaces definitivas. Aplicaci�n de las pruebas para su correspondiente aceptaci�n. |
|
Pruebas del sistema |
Iteraci�n 11 |
Se iniciar� con un proceso de evaluaci�n de pruebas correspondientes al sistema y realizar un an�lisis de resultados. |
En esta fase se defini� y se estableci� las personas involucradas en el proyecto, los requerimientos y alcance, limitaciones y m�tricas de evaluaci�n, el cual establece una l�nea base de los componentes y comportamiento de la soluci�n a desarrollar de la l�nea arquitect�nica que se va a plantear. Se establece que se crean 3 grupos de inter�s, conformado por el desarrollador de software, el usuario administrador y el usuario com�n
Se requiere una aplicaci�n m�vil que permita el diagn�stico e identificaci�n de una determinada enfermedad en el cafeto, mediante el uso de un modelo machine learning previamente entrenado para la ense�anza � aprendizaje de beneficiarios tanto directos, como indirectos de este proyecto, determinando los siguientes requisitos:
Figura 2: Requerimientos funcionales.
Id |
Requerimiento |
Descripci�n |
Prioridad |
RF1 |
Registro de usuario administrador |
Adem�s de tener acceso a las mismas funcionalidades del aplicativo m�vil que tiene un usuario com�n, este puede gestionar las categor�as en caso de determinar una nueva enfermedad en el cafeto, para de esta manera, crear una nueva clase con la descripci�n de esta, e ir a�adiendo tomas fotogr�ficas de esta nueva enfermedad para posteriormente re-entrenar el modelo, y se a�ada estas nuevas tomas fotogr�ficas al modelo. |
Alta |
RF2 |
Registro de usuario com�n |
Para el acceso, el usuario debe registrarse en la aplicaci�n, ingresando los siguientes datos: nombres, correo, contrase�a, y confirmaci�n de contrase�a. |
Alta |
RF3 |
Autenticaci�n del usuario |
Ya sea para el administrador o usuario com�n que haga uso del aplicativo m�vil, el acceso ser� con los siguientes datos: correo y contrase�a. |
Alta |
RF4 |
Respuesta de diagn�stico |
El usuario har� la toma o subida de la imagen para el diagn�stico de una determinada enfermedad del cafeto. |
Alta |
RF5 |
Generar Resumen |
Registro autom�tico y resumen del n�mero de enfermedades diagnosticadas. |
Media |
RF6 |
Historial de App |
El aplicativo al momento de haber diagnosticado la enfermedad en las im�genes tomadas o subidas por el usuario, estas se quedan registradas en un apartado de historial del aplicativo, como en el almacenamiento del dispositivo m�vil. |
Media |
RF7 |
Actualizaci�n de im�genes |
En caso de que el usuario no cuente con acceso a internet, ya sea porque se encuentre en una zona restringida al mismo, esta se sincronizar� con la base de datos en el servidor en cuanto retome la conexi�n a internet, pasando de estar en estado de �No cargada� a �Cargada�. |
Media |
RF8 |
Acceso configuraci�n |
El usuario com�n podr� revisar la informaci�n actual de su perfil, el cierre de sesi�n, visualizar la informaci�n de la versi�n de la aplicaci�n. Mientras que el usuario administrador tendr� una opci�n adicional que es la que se detall� en el RF1. |
Media |
RF9 |
Acceso ayuda |
El usuario podr� visualizar una gu�a del uso de la aplicaci�n, as� como tambi�n un listado de s�ntomas que presenta una determinada enfermedad encontrada en el campo de estudio, y concejos especialistas para el tratamiento y cuidado ante tales enfermedades. |
Media |
Fuente: Requerimientos de la aplicaci�n
Elaborado por: Investigadores
Figura 3: Requerimientos no funcionales.
Id |
Requerimiento |
Descripci�n |
Prioridad |
RNF1 |
Estado del diagn�stico de una enfermedad |
Se notifica el estado actual de la enfermedad a diagnosticar emitida por el usuario, esta muestra los siguientes estados: procesando, y �La enfermedad diagnosticada�. |
Alta |
RNF2 |
Fluidez en base de datos |
Los datos modificados en la base de datos deben ser sincronizados en tiempo real. |
Alta |
RNF3 |
Protecci�n de datos |
Para el ingreso al aplicativo m�vil, estar�n protegido los usuarios registrados con contrase�as cifradas. |
Alta |
RNF4 |
Adaptabilidad del usuario |
El tiempo de ense�anza-aprendizaje del uso de la aplicaci�n por un usuario deber� ser menor a dos horas. |
Alta |
RNF5 |
Interfaz |
La aplicaci�n m�vil tendr� una interfaz intuitiva y amigable para una mayor facilidad en su uso. |
Alta |
RNF6 |
Idioma |
La aplicaci�n m�vil tendr� por defecto el idioma espa�ol. |
Alta |
Fuente: Requerimientos no funcionales
Elaborado por: Investigadores
� Tipo de proyecto: Aplicaci�n m�vil.
� Lenguaje de programaci�n aplicaci�n: JavaScript.
� Lenguaje de programaci�n de modelo: Python.
Preparaci�n del ambiente
Instalaci�n de las siguientes herramientas a ocupar:
� Jupyter Lab, tensorflow y keras para creaci�n y entrenamiento de modelo.
� IDE Visual Studio Code, React native, y NodeJs para aplicativo m�vil
� MySQL para la gesti�n de bases de datos.
Dise�o de la aplicaci�n
Figura 4: Dise�o de la aplicaci�n.
Diagrama de Base de Datos
Figura 5: Diagrama de la base de datos.
Diagrama de Caso de Uso inicial de App. M�vil
Figura 6: Arquitectura funcional de caso de uso
Dise�o de interfaces de aplicativo m�vil
�
������� ������������
��������������������
Figura 7: Registro e Inicio de Sesi�n de Usuario
�������������������
��������������������
Figura 8: Toma Fotogr�fica de enfermedad foliar de Cafeto
�������������������
��������������������
Figura 9: Diagn�stico de imagen foliar enferma desde la galer�a o storage del dispositivo movil.
�������������������
��������������������
Figura 10: Sincronizaci�n de im�genes con enfermedades diagnosticadas, configuraci�n, y ayuda.
��� ����������������
��������������������
Figura 11: Ayuda: Tutorial de uso de aplicativo, Informaci�n de enfermedades y concejos de control.
���������������������
Figura 12: Ventana de gesti�n de categor�a de enfermedades encontradas.
Figura 13: Personas que intervienen en el proyecto de investigaci�n
Agente |
Funciones |
T�cnicas, espacios y distribuci�n |
Poblaci�n |
Tutor |
Gu�a |
T�cnica experimental |
1 |
Estudiantes |
Investigadores |
Ejecutores del proyecto |
2 |
Ingeniero agr�nomo |
T�cnico Agr�cola |
Entrevista y aval t�cnico fitosanitario. |
2 |
Personal de muestra |
Suministran informaci�n |
Encuesta. |
38 |
Fuente: Requerimientos
Elaborado por: Los Investigadores
Fase de Producci�n y estabilizaci�n
Dentro de estas fases se procedi� a realizar la comprobaci�n de la funcionalidad de la aplicaci�n m�vil e integraci�n con los requisitos recolectados en las fases anteriores, con el fin de asegurar el cumplimiento de la calidad esperada.
Se consider� realizar una evaluaci�n de las interfaces desarrolladas y de los requerimientos funcionales definidos, para concretar los resultados del correcto uso y funcionamiento de la aplicaci�n m�vil.
Figura 14: Verificaci�n de Interfaces desarrolladas.
Interfaz de la aplicaci�n |
Cumplimiento |
INTERFACES GENERALES DE USUARIO |
|
Registro de nuevo usuario |
Hecho |
Inicio de sesi�n |
Hecho |
Diagn�stico de imagen foliar enferma desde la galer�a o storage del dispositivo movil. |
Hecho |
Vista del men� resumen y de historial de enfermedades diagnosticadas. |
Hecho |
Sincronizaci�n de im�genes con enfermedades diagnosticadas |
Hecho |
Vista del men� de configuraci�n, y ayuda. |
Hecho |
INTERFACES DEL ADMINISTRADOR |
|
Vista del administrador |
Hecho |
Ventana de gesti�n de categor�a de enfermedades encontradas. |
Hecho |
Fuente: Dise�os en MarvelApp
Elaborado por: Los Investigadores
Figura 15: Pruebas funcionales de la fase de exploraci�n,
Id |
Requerimiento |
Cumplimiento |
RF1 |
Registro de usuario administrador |
Hecho |
RF2 |
Registro de usuario com�n |
Hecho |
RF3 |
Autenticaci�n del usuario |
Hecho |
RF4 |
Respuesta de diagn�stico |
Hecho |
RF5 |
Generar Resumen |
Hecho |
RF6 |
Historial de App |
Hecho |
RF7 |
Actualizaci�n de im�genes |
Hecho |
RF8 |
Acceso configuraci�n |
Hecho |
Fuente: Fase de exploraci�n
Elaborado por: Los Investigadores
Conclusiones
� La actividad cafetera, siempre se ha visto amenazada por la presencia de plagas y enfermedades que impiden el desarrollo adecuado de los cultivos y afectan negativamente a la econom�a de los agricultores. Las enfermedades epid�micas de hongos afectan a los cafetos y causa una defoliaci�n masiva de tal manera que en este aspecto interviene el proceso de clasificaci�n y predicci�n de enfermedades del caf� mediante la recopilaci�n de datos (fotos) de las hojas y enfermas a trav�s de la investigaci�n de campo para la obtenci�n del DataSet y el desarrollo del plan modelo de la IA.
� Mediante el modelo de Machine Learning desarrollado en el entorno virtual �Jupyter lab� se logr� crear y entrenar las redes neuronales convencionales para la clasificaci�n de las enfermedades del caf� expuestas en el caso de estudio (Roya, Alternar�a y Ojo de Gallo) en conjunto con la clasificaci�n sana del cafeto.
� Los dispositivos m�viles que podr�n ejecutar esta aplicaci�n ser�n los que cuenten con el sistema operativo Android, que como m�nimo deben contar con la versi�n 7.0, ya que seg�n un caso de estudio destacado por Mena (2020) resalta que en el mercado los sistemas operativos para los Smartphone m�s usados es Android e iOS, en estad�sticas la cuota en el mercado entre el 2014 y 2019 el sistema operativo de Android se situ� en la primera posici�n con el 86,1% de unidades distribuidas, mientras que el sistema operativo de iOS con el 13,9% de smartphones distribuidos, de una distribuci�n de dispositivos m�viles de 1.372 millones.
Referencias
1. Babu, M., & Rao, B. (2007). Leaves recognition using back propagation neural network-advice for pest and disease control on crops. IndiaKisan.
2. Beraud Mart�nez, I. (2018). Cuarta revoluci�n industrial. Impacto de la inteligencia artificial en el modo de producci�n actual. Revista Conjeturas Sociol�gicas. ISSN 2313-013X
3. Balleda, K. e. (2014). Agpest: An efficient rule-based expert system to prevent pest diseases of rice and wheat crops. Intelligent Systems and Control.
4. Boyd, D., & Sun, M. (1994). Prototyping an expert system for diagnosis of potato diseases. Computers and Electronics in Agriculture, 259-267.
5. Dipakkumar, J. (2018). Plant Disease Identification using Artificial Intelligence: Machine Learning Approach. International Journal of Innovative Research in Science, Engineering and Technology, 11082-11084.
6. Hanson, A., Joy, A., & Francis, J. (2017). Plant LeafDisease Detection using Deep Learning and Convolutional Neural Network. International Journal of Engineering Science, 5324-5328.
7. Harjeet, K., Deepak, P., & Madhuri. (2019). Applications of Machine Learning In Plant Disease Detection. Think India Journal, 3100-3105.
8. Hern�ndez, D., & G�mez, J. (2016). Mobile D (programacion dispositivos moviles). Obtenido de https://es.slideshare.net/pipehernandez1020/mobile-d-programacion-dispositivos-moviles
9. Huang, K. (2007). Application of artificial neural network for detecting Phalaenopsis seedling diseases using color and texture features. Computers and Electronics in agriculture, 3- 11.
10. Ismail, M., & Mustikasari. (2013). Intelligent system for tea leaf disease detection. L IPSJ Technical, 1-4.
11. Rich, E., Knight, K., Gonz�lez P. A., Bodega, T. (1994), Inteligencia artificial, 2a Ed. McGraw Hill. Madrid, Espa�a. ISBN: 84-481-1858-8
12. Sannakki, H. e. (2011). Fast and accurate detection and classification of plant diseases. Computer Application, 31-38.
13. Sarma, S., Singh, K., & Singh, A. (2010). An Expert System for diagnosis of diseases in Rice Plant. International Journal of Artificial Intelligence, 26-31.
14. Valdez Alvarado, Aldo. (2018). Introducci�n al Machine Learning. 10.13140/RG.2.2.28886.19527.
15. React Native. (2020). Cree aplicaciones nativas para Android e iOS usando React. Obtenido de React Native: https://reactnative.dev/
16. TensorFlow. (2020). TensorFlow. Obtenido de https://www.tensorflow.org/?hl=es-419
17. Tom�s, E. (2021). Obtenido de Qu� es REST: https://desarrolloweb.com/articulos/que-es-rest-caracteristicas-sistemas.html
� 2022 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
(https://creativecommons.org/licenses/by-nc-sa/4.0/).
Enlaces de Referencia
- Por el momento, no existen enlaces de referencia
Polo del Conocimiento
Revista Científico-Académica Multidisciplinaria
ISSN: 2550-682X
Casa Editora del Polo
Manta - Ecuador
Dirección: Ciudadela El Palmar, II Etapa, Manta - Manabí - Ecuador.
Código Postal: 130801
Teléfonos: 056051775/0991871420
Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com
URL: https://www.polodelconocimiento.com/