Estudio de revisión: aplicación de inteligencia artifical en la deteccion temprana de plagas

Luiggui Andrés Quezada Arias, Hector Ramiro Carvajal Romero, Salomon Alejandro Barrezueta Unda, Jessica Maribel Quezada Campoverde

Resumen


La detección temprana de plagas es un desafío crucial en la agricultura, ya que las infestaciones no controladas pueden afectar severamente la productividad y la sostenibilidad de los cultivos. En este estudio de revisión, se analiza el papel emergente de la inteligencia artificial (IA) en la identificación y monitoreo eficiente de plagas agrícolas. Las principales tecnologías de IA aplicadas incluyen por visión computadora, aprendizaje automático y redes neuronales profundas, que permiten el análisis automatizado de imágenes y datos ambientales para detectar plagas de manera más rápida y precisa en comparación con los métodos tradicionales.

Entre las tecnologías basadas en IA destacan el aprendizaje automático (machine learning) y la visión por computadora, que permiten identificar patrones asociados a la presencia de plagas mediante imágenes, sensores y datos climáticos. Algoritmos como redes neuronales artificiales (ANNs) y máquinas de soporte vectorial (SVM) han mostrado alta precisión en la clasificación de plagas y en la predicción de brotes en diversos cultivos como arroz, algodón y frutas. Además, el uso de drones y sensores IoT facilita la recopilación de datos en tiempo real, mejorando la capacidad de respuesta ante infestaciones.

Por otro lado, se discuten los desafíos relacionados con la implementación de estas tecnologías, como la necesidad de bases de datos robustas, el costo inicial de los equipos y la capacitación técnica de los agricultores. También se aborda la importancia de la integración de la IA con sistemas de gestión agrícola para maximizar su impacto.


Palabras clave


detección temprana de plagas; agricultura; inteligencia artificial; monitoreo eficiente.

Texto completo:

PDF HTML

Referencias


Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, 147, 70-90.

Singh, V., Misra, A. K., & Sharma, K. (2020). Application of artificial intelligence in the early detection of crop diseases and pests. Journal of Computer Science, 18(5), 463-478.

Barrientos Monsalve, E. J., Velásquez Carrasca, B. L., & Hoyos Patiño, J. F. (2021). Contemporaneidad de las corrientes del pensamiento en los paradigmas de investigación | Aglala. Aglala, 12(s1), 163–181.

Ferentinos, K. P. (2018). Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture, 145, 311-318.

Jia, X., Wang, Y., Zhao, C., Yang, Z., & Tang, J. (2020). A Survey of Deep Learning for Plant Science. International Journal of Agricultural and Biological Engineering, 13(1), 35-46.

Ramcharan, A., Baranowski, K., McCloskey, P., Ahmed, B., Legg, J., & Hughes, D. P. (2019). Deep learning for image-based cassava disease detection. Frontiers in Plant Science, 10, 567.

Zhang, L., Wang, X., & Chen, W. (2022). Machine learning-based pest detection from crop images: A review. Computers and Electronics in Agriculture, 193, 106625.

Shamshiri, R. R., Kalantari, F., & Ting, K. C. (2018). A review of approaches in precision agriculture.

Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8), 2674.

Barbedo, J. G. A. (2019). A review on the use of machine learning for pest detection and plant disease identification.

AGROASEMEX. (12 de abril de 2019). Las plagas producen pérdidas de hasta un 40 por ciento en la producción agrícola, revela estudio de la FAO.

Calcagni, L. R. (2020). Redes Generetivas Antagónicas y sus aplicaciones, 2020 [Tesis de Título, Univesidad Nacional de La Plata Facultad de Informática]. Repositorio Institucional de la UNLP.

Mauricio, J., Domingues, I., & Bernardino, J. (2023). Comparing Vision Transformers and Convulutional Neural Networks for Image Classification: A Literature Review. Applied Sciences, 13(9), 5521.

Farooq, M. S., Riaz, S., Abid, A., Umer, T., & Zikria, Y. B. (2020). Role of loT Technology in Agriculture: A Systematic Literature Review. Electronics, 9(2) 319.

Glackin, M. (2019). Mejora de la predicción: el valor del conocimiento meteorológico sustentado en datos y en la colaboración pública y privada. Boletín de la OMM, 68(1), 59-63.

Kaur, R., Singh, P ., & Goyal, S. (2019). “Mobile Applications in Plant Disease Management: A Case Study of Plantix. “Journal of Agricultural Research and Development, 45(3), 215-228.

Mekonnen, T., Yohannes, H., & Getachew, A. (2021). “Using Al-based Applications for Nutritional Managment in Tomato Cultivation. “Agricultural Technology Reports, 12(4), 342-355.

Verma,S., Gupta,R., & Jain, P. (2020). “Impact of Plantix Application on Tomato Farming in India.”Asian Journal of Agricultural Sciences, 9(2), 89-97.

Sharma, A., Patel, D., & Kumar, M. (2022). “Advancing Integrated Pest Management with Digital Tools. “Agricultural Innovations Today, 18(1), 45-59.

Food and Agriculture Organization of the United Nations (FAO). (2019). The State of Food and Agriculture 2019: Moving forward on food loss and waste reduction. FAO.

Koirala, A., Walsh, K. B., Wang, Z., & McCarthy, C. (2019). Deep learning for real-time fruit detection and orchard yield estimation: Benchmarking of 'MangoYOLO'. Computers and Electronics in Agriculture, 162, 874-881.




DOI: https://doi.org/10.23857/pc.v10i1.9005

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




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/