REVISTA INGENIO
Inteligencia Articial: Machine Learning, para Detección Temprana de Plagas y
Enfermedades de Cultivos Básicos, Nicaragua
Articial Intelligence: Machine Learning for Early Detection of Pests and Diseases in Basic Crops,
Nicaragua
Saira María Urbina Cienfuegos | Universidad Nacional Autónoma de Nicaragua- UNAN, Managua-Nicaragua
Jazcar Josué Bravo Rivas | Universidad Nacional Autónoma de Nicaragua- UNAN, Managua-Nicaragua
https://doi.org/10.29166/ingenio.v8i1.7221 pISSN 2588-0829
2025 Universidad Central del Ecuador eISSN 2697-3243
CC BY-NC 4.0 —Licencia Creative Commons Reconocimiento-NoComercial 4.0 Internacional ng.revista.ingenio@uce.edu.ec
, (), - , . -
El presente artículo, muestra aspectos relevantes del proceso de desarrollo de la aplicación móvil que
incorpora técnicas de Machine Learning para detectar de forma temprana plagas y enfermedades en
cultivos de granos básicos como maíz, frijol y sorgo, estos son indispensables para el consumo humano
en Nicaragua. Se utilizó metodología de desarrollo ágil Scrum, se adoptaron tecnologías como Android
Studio, lenguaje de programación Java, Google Teachable Machine para entrenamiento del modelo de
aprendizaje automático y TensorFlow Lite para incorporar modelo en la aplicación móvil. Los resultados
muestran un Sprint con sus historias de usuarios, estas se convirtieron en funcionalidades que incluyen
el modelo para el reconocimiento de imágenes con precisión de 95.8% utilizando un conjunto de datos
de 252 imágenes de cultivos sanos y enfermos. La metodología indica organización de la programación
según patrón Modelo – Vista – Controlador y métricas utilizadas por el modelo. Las conclusiones hacen
énfasis en detalles de los resultados obtenidos en Sprint#1. Al nal, también se mencionan retos a supe-
rar al aplicar aprendizaje automático en el sector agrícola.
e present article highlights relevant aspects of the development process of the mobile application that
incorporates Machine Learning techniques to early detect pests and diseases in staple grain crops such as
corn, beans, and sorghum, which are essential for human consumption in Nicaragua. Agile development
methodology Scrum was used, technologies such as Android Studio, Java programming language, Google
Teachable Machine for training the machine learning model, and TensorFlow Lite for incorporating the
model into the mobile application were adopted. e results show a Sprint with its user stories, which
were turned into functionalities that include the model for image recognition with an accuracy of 95.8%
using a dataset of 252 images of healthy and diseased crops. e methodology indicates the organization
of programming according to the Model-View-Controller pattern and the metrics used by the model. e
conclusions emphasize details of the results obtained in Sprint#1. In the end, challenges to overcome in
applying machine learning in the agricultural sector are also mentioned.
Recibido: 23/7/2024
Recibido tras revisión: 15/10/2024
Aceptado: 11/11/2024
Publicado: 03/01/2025
Machine learning, plagas, enfermedades,
cultivos.
Machine learning, pests, diseases, crops
1. Introducción
La agricultura es un sector fundamental en la eco-
nomía nicaragüense porque constituye la fuente
principal de alimentos básicos para el consumo hu-
mano. Sin embargo, cada año se ve afectada debido
a que los cultivos son atacados por plagas y enfer-
medades [1]. Es complicado controlarlas y evitar
que se propaguen de forma exponencial, generan-
do pérdidas considerables, debido a que se reduce
el volumen de producción previsto lo que repercute
de manera signicativa en la economía y seguridad
alimentaria del país. Los agricultores pueden hacer
frente a esta problemática en etapa temprana, apo-
yándose en tecnologías de precisión y monitoreo,
que les permitan optimizar el uso de recursos y me-
jorar la eciencia en la gestión de cultivos [2].
En el año 2022, la FAO (Organización de las
Naciones Unidas para la Alimentación y la Agricultura)
estimó que las plagas y enfermedades de las
plantas provocan pérdidas de hasta el 40% de los
cultivos alimentarios, y los daños que generan en
25
Inteligencia Articial: Machine Learning, para Detección Temprana de Plagas y Enfermedades de Cultivos Básicos, Nicaragua
que reducen su productividad y afectan la seguridad
alimentaria del país [8].
2. Método
El tipo de investigación es mixta debido a la utilización
de enfoques cuantitativos y cualitativos. De acuerdo al
estudio a través del conocimiento, es descriptiva debido
a que se detallan nombres, características y otros ele-
mentos referentes a cultivos, plagas y enfermedades, lo
que permitió especicar requerimientos a cumplir en el
soware, enfocado en el problema identicado [9].
Por otra parte, es un estudio retrospectivo, debido a
que la identicación de requerimientos para la aplicación
móvil se llevó a cabo durante el año 2023; y según su co-
bertura es de corte transversal.
Este estudio está enfocado en identicar seis plagas y
tres enfermedades comunes en tres cultivos, maíz, frijol
y sorgo. Por ello, se recolectaron imágenes de cultivos sa-
nos, las cuales fueron tomadas directamente en el campo
en compañía de agricultores. También se obtuvieron imá-
genes que muestran afectaciones de estas plagas y enfer-
medades, estas fueron facilitadas por técnicos de campo,
en total se utilizaron como muestra 252 imágenes. Ade-
más, se consultó manual del Tecnológico Nacional (IN-
ATEC) para obtener características que tienen cultivos
afectados por plagas y enfermedades.
2.1 TECNOLOGÍAS SELECCIONADAS
Según las funcionalidades a implementar se seleccio-
naron las tecnologías:
·
Android SDK como Entorno de Desarrollo Integrado
(IDE) para aplicaciones móviles [10].
·
Java, lenguaje de programación orientado a objetos,
con bibliotecas dispuestas para su uso [11].
·
Google Teachable Machine, herramienta basada en la
web para entrenamiento de modelos de Machine Lear-
ning, utiliza Redes Neuronales Convulsionales (CNN),
estas aprenden estructuras jerárquicas, niveles de re-
presentación y abstracción para comprender los pa-
trones de datos que provienen de una fuente, en este
caso imágenes. Utiliza aprendizaje supervisado, los da-
tos facilitados para el entrenamiento incluyen la solu-
ción deseada llamada etiqueta [12], [13].
·
TensorFlow Lite, facilita la ejecución de modelos de
aprendizaje automático para el despliegue del modelo
de Machine Learning en dispositivos móviles, permi-
tiendo trabajar sin conexión a Internet [14].
·
Cloud Firestore y Realtime Database, servicios de ba-
ses de datos en la nube, que permiten almacenamiento
y sincronización de datos en tiempo real[15].
la agricultura agravan el problema existente del
aumento del hambre mundial y amenazan los medios
de vida rurales [3]. Sin embargo, en Nicaragua, por
ahora no se dispone de estadísticas sobre las pérdidas
ocasionadas por plagas y enfermedades en los gra-
nos básicos. Asimismo, la falta de datos y las pocas
herramientas e instrumentos apropiados para la re-
colección de información diculta la elaboración de
planes de contingencia efectivos por parte de agri
-
cultores y autoridades.
El avance signicativo de la agricultura de pre
-
cisión y el desarrollo digital ha hecho posible el mo-
nitoreo en tiempo real haciendo uso de imágenes
satelitales, maquinaria autónoma, drones y sensores,
asimismo, el análisis oportuno de datos y la aplica-
ción precisa de insumos en los cultivos [4]. De igual
forma, la aplicación de técnicas de Inteligencia Arti-
cial (IA), tales como el aprendizaje automático (Ma-
chine Learning) con capacidad de analizar y clasicar
grandes volúmenes de datos utilizando algoritmos
como las Redes Neuronales Convulsionales (Convo-
lutional Neural Networks - CNN) que se caracterizan
por resolver problemas asociados con la clasicación
y reconocimientos de imágenes y audio [5], por esta
razón, se utilizan para identicación temprana de da-
ños en cultivos causados por plagas o enfermedades,
de esta forma apoyar a los agricultores con la gestión
eciente de sus recursos.
El uso de la tecnología representan un avance
crucial en la gestión agrícola y es posible incorpo-
rarla en aplicaciones que se convierten en agentes
que monitorean cultivos, proporcionando respuestas
oportunas para minimizar daños y proteger el rendi-
miento de los mismos
[6]
En diversas partes del mun-
do se han creado soluciones acertadas a problemas
agrícolas y coinciden en que la introducción de la
IA y el aprendizaje automático en la agricultura tie-
ne el potencial de generar avances previamente in-
alcanzables en la optimización del rendimiento, la
detección de enfermedades y la gestión de cultivos
[7]
. Los estudios consultados desarrollaron mode
-
los entrenados de aprendizaje automático con CNN
para identicar plagas y enfermedades en variedad
de cultivos, en su mayoría de consumo humano fre-
cuente, como arroz, frijol y hortalizas [5].
Ante esta problemática aquí descrita y aprove-
chando las bondades de las tecnologías actuales,
este estudio tiene como objetivo el desarrollo de
una aplicación móvil que incorpora un modelo de
aprendizaje automático (Machine Learning) entre-
nado con imágenes de cultivos (maíz, frijol y sorgo)
sanos y enfermos para la detección de plagas y en-
fermedades. Estos en la actualidad enfrentan ame-
nazas importantes, como el gusano cogollero en
maíz, la antracnosis en frijol y la mosca del sorgo
26
Urbina S. y Bravo J.
La selección de estas tecnologías se realizó con base en la
experiencia de uso y la curva de aprendizaje del equipo
de trabajo.
2.2 ENTRENAMIENTO DEL MODELO MACHINE
LEARNING
Se consideraron características relevantes para la selec-
ción de la tecnología utilizada en el entrenamiento del
modelo de Machine Learning (ML), que permite reco-
nocer imágenes referentes a plagas y enfermedades en
los cultivos básicos. Se optó por Google Teachable Ma-
chine; tiene una interfaz visual, exible y accesible, no
requiere experiencia en ML o codicación, facilitando
el entrenamiento e implementación de modelos rápida-
mente[16]. En [17] se indica que esta tecnología puede
generar un modelo de aprendizaje automático con una
tasa de precisión de prueba de hasta el 100%, lo que fue
considerado importante por el equipo de trabajo.
El proceso de entrenamiento del modelo que utiliza
Red Neuronal Convulsional (CNN) en Google Teachable
Machine, enfocado en la identicación de plagas y enfer-
medades en cultivos de maíz, frijol y sorgo consistió en
realizar un pilotaje con 252 imágenes clasicadas en 12
clases (neuronas), a cada clase se asignaron 21 muestras,
para mantener un número equilibrado de imágenes, evitar
sesgos y asegurar la precisión del modelo. Las imágenes
fueron preprocesadas por la herramienta a tamaño uni-
forme de 224x224 píxeles. La tabla 1 muestra detalles de
la cantidad de imágenes seleccionadas por clase.
Para que el modelo pueda identicar correctamen-
te enfermedades o plagas, se seleccionaron imágenes cla-
ras y de alta calidad, enfocando de forma directa en una
muestra del daño en la planta o plaga que la afecta, hacer
tomas con escasa iluminación, bajo lluvia o condiciones
de neblina, puede afectar la calidad de las imágenes. En
la tabla 2 (Anexo tabla2) se muestran detalles que presen-
tan los cultivos según enfermedad o plaga que los afecta.
Para medir el rendimiento del modelo al clasicar las
muestras en Google Teachable Machine se utiliza:
· Matriz de confusión, muestra el grado de precisión de
las predicciones, consiste en una tabla que resume el
número de predicciones correctas e incorrectas rea-
lizadas por el modelo [18]. La tabla 3, muestra varia-
bles utilizadas por la matriz que permiten calcular
otras métricas como precisión y exactitud (accuracy)
del modelo.
·
Precisión por clase, se calcula usando muestras de
prueba (15% de los datos), Se dividen los verdaderos
positivos (VP) entre la suma de VP y los Falsos Posi-
tivos (FP) [18].
(1)
·
Exactitud (Accuracy) del modelo al clasicar, corres-
ponde a proporción de predicciones correctas positi-
vas y negativas [18], la fórmula utilizada es la siguiente:
(2)
·
Precisión de época, indica el porcentaje de clasica-
ciones que un modelo acierta durante la preparación.
2.3 Desarrollo de aplicación
Se utilizó Metodología Ágil (Scrum) para organizar el
desarrollo de la aplicación móvil; esta ayuda a personas,
equipos y organizaciones a generar valor a través de so-
luciones adaptativas para problemas complejos, contiene
artefactos que representan trabajo o valor, de esta for-
ma, Product Backlog representa el objetivo del producto,
Sprint Backlog es el objetivo del Sprint y el Increment
corresponde a las funcionalidades terminadas [19].
Los requerimientos del proyecto se escribieron como
historias de usuarios (HU) y se organizaron por priori-
dad, de esta forma se obtuvo el Producto Backlog como
una lista emergente y ordenada, posteriormente, se di-
vidió en Sprints, generando subproductos terminados.
Para cada Sprint se dene el Sprint Backlog, este es un
plan de trabajo realizado por el equipo de desarrollo, se
pueden crear varios incrementos dentro de un Sprint, es-
tos son considerados pequeños avances hacia el objetivo
del producto [19].
Para estructurar el código de la aplicación móvil en An-
droid, se seleccionó el patrón Modelo-Vista- Controla-
dor (MVC), que permite organizar el código de la vista y
el acceso a datos de forma separada. Esto divide concep-
tualmente la aplicación en tres elementos y facilita hacer
cambios en cualquiera de las partes [20].
3. Resultados y discusión
La identicación de requerimientos para el desarrollo de
la aplicación móvil se realizó utilizando la metodología
ágil Scrum. En este proyecto se crearon 18 historias de
usuarios, las cuales se organizaron en 5 Sprint, cada uno
generó un entregable correspondiente a las funcionalida-
des completadas en un periodo de tiempo de 3 semanas.
Durante esta fase, el equipo de desarrollo trabajó estre-
chamente con el usuario nal (dueño del producto, téc-
nicos de campo y agricultores) quien tiene conocimiento
de las necesidades que deben abordarse a través de las
funcionalidades del soware [21].
En este artículo, se hace referencia a Sprint #1, porque
contienen las historias de usuario (HU) particularmente
valiosas para el proyecto. Los elementos que tienen may-
27
Inteligencia Articial: Machine Learning, para Detección Temprana de Plagas y Enfermedades de Cultivos Básicos, Nicaragua
or valor para el cliente deben priorizarse al inicio, con la
expectativa de ser trabajados de primero [22].
RESULTADOS SPRINT #1
La gura 1 muestra Sprint Backlog del Sprint #1. Se es-
tablecieron 3 historias de usuarios, cada una se desglo-
só en tareas pequeñas. Se completó en un periodo de 3
semanas y se logró el primer subproducto funcional del
proyecto.
En el primer Sprint planicado, se obtuvo como re-
sultado un modelo de Machine Learning entrenado que
permite detectar plagas y enfermedades especícas de los
cultivos: maíz, frijol y sorgo, las principales tareas reali-
zadas fueron:
· Recopilación y clasicación de datos
·
Creación del proyecto de aprendizaje automático (ML)
en Google Teachable Machine.
·
Etiquetado de 12 clases con 21 imágenes para cada una.
·
Establecimiento de parámetros en Google Teachable
Machine: 21 épocas (Cantidad de veces que se prueban
los datos de muestra), 16 lotes (predeterminado) y una
tasa de aprendizaje 0.0001 (predeterminado).
·
Preparación y prueba del modelo en Google Teacha-
ble Machine.
· Exportación del modelo a TensorFlow Lite
· Incorporación del modelo entrenado a la APP móvil
·
Diseño de interfaz de usuario para información y de-
tección de plagas y enfermedades desde la APP móvil.
La Figura 2, muestra el proceso de entrenamiento del
modelo de aprendizaje automático (ML) en Google Tea-
chable Machine, subproducto obtenido en Sprint #1.
Figura 2.
Tabla 1.
Clasicación de imágenes por clase
Clasicación Etiquetado de clases Cantidad
Cultivo Sano Frijol 21
Maíz 21
Sorgo 21
Enfermedades Mosaico dorado (BGYMV) 21
Roya (Puccinia sorghi) 21
Mancha zonada (Gloeocercospora sorghi) 21
Plagas
Mosca blanca (Bemisia tabaci) 21
Chicharrita verde (Empoasca kraemer) 21
Gallina ciega (Phyllophaga sp) 21
Cogollero (Spodoptera frugiperda) 21
Mosquita del sorgo (Contarinia sorghicola) 21
Barrenador mayor del tallo (Diatraea saccharalis) 21
Total 252
Tabla 3.
Variables de matriz de confusión
Positivo real Negativo real
Predicción positiva Verdadero positivo (VP): casos positivos, clasi-
cado correctamente como positivos.
Falso positivo (FP): casos negativos,
pero el modelo predijo como positivo.
Predicción negativa Falso negativo (FN): casos positivos, pero el mo-
delo predijo como negativo.
Verdadero negativo (VN):casos
negativos y el modelo predijo como
negativos.
Figura 1.
Sprint Backlog #1
28
Urbina S. y Bravo J.
Entrenamiento del Modelo ML – Entregable Sprint #1
Como resultado del entrenamiento del modelo de
aprendizaje automático (ML) en Google Teachable Ma-
chine, la red neuronal ajustó sus pesos y sesgos a lo largo
de 21 épocas, procesando 252 imágenes divididas en lo
-
tes de 16, lo que resultó en 15 lotes por época. Este ajuste
de parámetros permitió que la red aprendiera de la me-
jor manera posible. La tasa de aprendizaje, considerado
un hiperparámetro crítico, se seleccionó cuidadosamen-
te para equilibrar la rapidez del entrenamiento y la esta-
bilidad del modelo. La conguración avanzada en Google
Teachable Machine permitió establecer estos parámetros
para optimizar el rendimiento.
Durante el proceso de entrenamiento del modelo, se
obtuvieron dos resultados relevantes:
· Precisión de las 12 clases igual a 1
·
Precisión de 10 clases igual a 1 y 2 clases con preci-
sión 0.75
En ambos procesos de entrenamiento se utilizaron
la misma cantidad de clases, cantidad de imágenes, y la
misma conguración, sin embargo, reeja resultados di-
ferentes en la precisión por clase. Esto se debe a que el al-
goritmo selecciona muestras aleatorias para la división
de datos del modelo y puede generar leves variaciones.
La gura 3 muestra la precisión por clase obtenida en
cada proceso, para ambos el algoritmo ha tomado 4 imá
-
genes de las 21 facilitadas por clase como muestra para
validar el modelo.
Los modelos de aprendizaje automático en Google
Teachable Machine utilizan 85% de los datos para entre-
namiento y 15% de datos para validación, aspecto esencial
para evaluar y ajustar el modelo. De esta manera, se ase-
gura no solo que aprenda a clasicar correctamente du-
rante el entrenamiento, sino que también generalice bien
con datos nuevos.
Como puede observarse en la Figura 3, uno de los re-
sultados presenta una exactitud de 1.00 para todas las cla-
ses durante la validación, mientras que el otro muestra
variación en dos clases: “Sorgo sano” y “Mosquita del sor-
go”, obteniendo en las mismas 0.75 de precisión en ambas.
Esto indica que el 83% de las clases las puede predecir co-
rrectamente, sin embargo, el modelo presenta dicultadas
en la clasicación del 17% restante, sugiriendo que po-
dría estar confundiéndolas con otras. Las características
similares afectan en gran medida el reconocimiento de
objetos, por lo que el valor de precisión puede disminuir
y se dividirá en otras muestras de clase [23].
La matriz de confusión obtenida del entrenamiento del
modelo que generó diferencias en la precisión de dos cla-
ses, se muestra en la Figura 4. Esta tabla tiene un tamaño
de 12 las por 12 columnas, las clases reales previamente
etiquetadas en Google Teachable Machine se encuentran
en las las y en las columnas se ubican las predicciones rea-
lizadas. En la diagonal principal resaltada en color azul se
visualizan las clasicaciones correctas, los valores fuera de
la diagonal indican predicciones incorrectas.
El modelo utilizó 4 muestras por clase para la vali-
dación. De las 12 clases evaluadas, 10 clasicaron co-
rrectamente todas las muestras, sin embargo, las clases
“Sorgo sano” y “Mosquita del sorgo” presentaron erro-
res con una muestra al predecirla como “Maíz sano”. En
este caso la precisión fue de 0.75 para las dos clases con
predicción incorrecta.
Se identicaron en la matriz de confusión valores inco-
rrectos correspondientes a las clases “Sorgo sano” y “Mos-
quita del sorgo” obtenida producto del entrenamiento:
·
El modelo clasicó una muestra como “Maíz sano”,
pero pertenece a “Sorgo sano”, la precisión para “Sor-
go sano” es de 0.75.
·
El modelo clasicó una muestra como “Maíz sano”,
pero pertenece a plaga “Mosquita del sorgo”, la preci-
sión para “Mosquita del sorgo” es de 0.75.
La tabla 4, muestra el resultado de precisión del modelo
por clase, según datos obtenidos de matriz de confusión.
Se dividen los verdaderos positivos (VP) entre la suma
de los VP y los Falsos Positivos (FP).
De acuerdo a los datos facilitados por la matriz de
confusión, se calculó la exactitud (Accuracy) del modelo
Figura 3.
Precisión por clase
Nota. Resultados en Google Teachable Machine
29
Inteligencia Articial: Machine Learning, para Detección Temprana de Plagas y Enfermedades de Cultivos Básicos, Nicaragua
al realizar las clasicaciones de las muestras, esta métri-
ca corresponde a la proporción de predicciones correctas
tanto positivas como negativas. El modelo alcanzó 0.958
de exactitud al clasicar muestras de las clases etiqueta-
das, en la tabla 5 se muestra el cálculo correspondiente.
La precisión por época del modelo entrenado, obte-
nida en Google Teachable Machine se puede corroborar
en la gráca mostrada en la gura 5, la línea naranja in-
dica la precisión al realizar las pruebas de validación, esta
línea se acerca ligeramente a precisión 1.
3.1.1 RESULTADOS DE PRUEBA PARA MODELO CON
PRECISIÓN 1
En la fase de prueba, cuando se alcanzó precisión 1 en
todas las clases, el modelo fue evaluado con nuevos da-
tos. Los resultados mostraron variaciones en la precisión
dependiendo de la familiaridad del modelo con las cla-
ses, la gura 6 muestra prueba realizada con una ima-
gen de la plaga “falsa mancha angular del frijol”, para
la cual no se incluyeron datos en el modelo. Se obtuvo la
siguiente respuesta:
Frijol sano: 45%,
Enfermedad Mosaico dorado: 19%, y
Plaga “Mosca blanca” 26%.
Estos datos indican que existe cierta similitud en las
características de la imagen facilitada y las clases a las que
el modelo les está asignando un valor. No obstante, la cla-
se que corresponde a enfermedad “Roya”, para la cual el
Figura 4.
Matriz de confusión
Nota. Resultado de entrenamiento en Google Teachable Machine
Tabla 4.
Cálculo de precisión por clase
Métrica / Fórmula Clases Resultado precisión por clase
1. Sorgo Sano
2. Mosquita del sorgo
3. Frijol sano
4. Mosaico dorado
5. Mosca blanca
6. Chicharrita del maíz
7. Maíz sano
8. Roya
9. Gallina ciega
10. Cogollero
11. Mancha zonada
12. Barrenador mayor de tallo alto
Tabla 5.
Cálculo de exactitud del modelo
Métrica / Fórmula Accuracy (Exactitud) del modelo
30
Urbina S. y Bravo J.
modelo tenía datos de entrenamiento, alcanzó una pre-
cisión del 100%.
Aunque la precisión del modelo es de 1 en todas las
clases, según los resultados obtenidos, se puede inferir
que no ha aprendido las características generales de las
clases, ya que no generaliza bien con nuevos datos. Es
posible que haya memorizado los patrones de las imáge-
nes utilizadas para el entrenamiento debido al pequeño
conjunto de datos facilitados. Esto puede indicar que el
modelo esta sobreajustado; ha aprendido a clasicar las
muestras de manera exhaustiva, impidiendo clasicar co-
rrectamente las muestras de prueba [24].
3.1.2 RESULTADOS DE PRUEBA PARA MODELO CON
PRECISIÓN 0.958
Se realizaron pruebas con el modelo cuando obtuvo pre-
cisión de 0.75 para las clases “Sorgo sano” y “Mosquita
del sorgo”, se le proporcionaron imágenes de “Mosquita
del sorgo” y “Sorgo sano” que no estaban incluidas en
las muestras de entrenamiento (Figura 7). Los resultados
fueron los siguientes:
·
Muestra de plaga Mosquita del sorgo: 80% para “Sor-
go Sano”
·
Muestra de Sorgo Sano: 69 % para “Sorgo Sano” y 27%
para “Maíz sano”
Aunque el modelo alcanzó una exactitud de 0.958 en
general, como se puede apreciar en la gura 7, las clases
que obtuvieron precisión 0.75 tienen dicultades al cla-
sicar de forma correcta, esto puede estar asociado a la
similitud de características que poseen las imágenes y al
Figura 5.
Precisión por Época
Nota. Resultado de entrenamiento en Google Teachable Machine
reducido conjunto de datos que ha utilizado el modelo
para su entrenamiento.
Durante el proceso de prueba del modelo con imáge-
nes nuevas para las clases “Mosca blanca” y “Gallina ciega”
quienes alcanzaron precisión de 1 durante el entrenamien-
to (gura 8), se obtuvieron los siguientes resultados:
·Muestra de “Mosca blanca”: 93% Mosca blanca
·Muestra de “Gallina ciega”: 99% Gallina ciega
Para las clases que alcanzaron precisión 1 durante el
entrenamiento del modelo, al mostrarles nuevos datos
responden de forma acertada a la predicción, logrando
más del 90% de exactitud, acercándose a la precisión ge-
neral de 0.958 obtenida en el modelo.
Al nalizar el proceso de entrenamiento del mode-
lo para este proyecto, se exportó en formato TensorFlow
Lite, lo que permitió su implementación en la aplicación
móvil. Incorporar Machine Learning como herramienta
tecnológica en el sector agrícola, facilita de forma directa
en el campo la identicación temprana de plagas y enfer-
medades optimizando el proceso de monitoreo y control
de las mismas.
Por otra parte, la implementación del patrón MVC
en la arquitectura de la aplicación permitió una clara se-
paración de las responsabilidades, apartar los datos de la
aplicación, la interfaz de usuario y la lógica de negocios,
facilita el mantenimiento y la extensibilidad del soware
por parte del equipo de trabajo [25]. Por tal razón, den-
tro del Modelo se incluyeron las clases en lenguaje Java,
que permiten la representación de los datos, en la Vista
se ubicaron todas las interfaces, en Android se denen
como Layout. En el Controlador se incorporaron Activi-
dades (Activity) y Fragmentos (Fragment) que gestionan
la interacción del usuario entre el Modelo y la Vista. A la
estructura del proyecto Android se incorporó una carpe-
ta ML que contiene el modelo entrenado para el reconoci-
miento de plagas y enfermedades que utiliza la aplicación.
3.1. DISCUSIÓN
Estudios similares que utilizan Red Neuronal Convul-
sional (CNN) demuestran un alto porcentaje de preci-
sión en el proceso de clasicación de imágenes referente
a cultivos afectados por plagas o enfermedades, en este
sentido, se ha observado resultados de algoritmo imple-
mentado utilizando Red Neuronal Convulsional Modi-
cada (ModCNN) para la detección de enfermedad enro-
llamiento en hojas de cultivo de tomates y virus mosaico
dorado en cultivo de frijol, para los cuales utilizaron 596
imágenes de hojas de frijol (213 sanas y 283 enfermas)
y 447 imágenes de tomate (302 sanas y 145 enfermas)
alcanzando durante el proceso de prueba una precisión
de 0.9769, esto demuestra la robustez de este tipo de tec-
31
Inteligencia Articial: Machine Learning, para Detección Temprana de Plagas y Enfermedades de Cultivos Básicos, Nicaragua
nologías y el aporte signicativo que ofrecen al sector
agropecuario [5].
Otro estudio sobre clasicación de imágenes para la
predicción de enfermedades en hojas del cultivo de arroz
utilizando Redes Neuronales Convulcionales (CNN) ha
obtenido 95.83 de precisión al realizar validaciones con
datos obtenidos del directorio de aprendizaje automático
de UCI (Machine Learning Repository / Universidad de
California en Irvine), este modelo entrenado se ha incor-
porado a una interfaz gráca para ser utilizado por agri-
cultores como usuarios nales [7].
De igual forma, la implementación en Tensorow
de algoritmo con modelo entrenado para detectar plaga
mosca blanca en cultivos de hortalizas obtuvo resultados
entre 0.81 y 0.94 de precisión, en las distintas pruebas rea-
lizadas lo que indica que el algoritmo tiene un alto por-
centaje de precisión [6].
Para el proyecto abordado en este artículo se ha utiliza-
do Google Teachable Machine que implementa CNN para
la clasicación de imágenes, el modelo entrenado para que
identique plagas y enfermedades en cultivos de maíz, fri
-
jol y sorgo ha obtenido una precisión de 0.958, en com-
paración con modelos similares (tabla 6) se observa que,
el modelo con Modicación de Redes Neuronales Convul-
sionales (ModCNN) alcanzó el valor más alto de precisión,
cabe mencionar que el conjunto de datos utilizados en ese
proyecto es superior al estudio aquí realizado.
Machine Learning destaca como una tecnología
versátil debido a que puede ser aplicada en diferentes
sectores y permite desarrollar para cada problema un al-
goritmo de predicción para un caso de uso particular. Lo
interesante de estos algoritmos es que aprenden de los da-
tos con la nalidad de encontrar patrones o tendencias
para comprender qué nos dicen estos datos y, a partir de
ellos, se construye un modelo que es capaz de predecir o
clasicar los elementos. Sin embargo, existen factores re-
levantes para el buen desempeño del modelo, que se ree-
ren a la calidad y disponibilidad de los datos, el algoritmo
puede ser potente, pero no es suciente si no se le facili-
tan los datos indicados para entrenarlo [12].
En este estudio se ha identicado como limitante la
cantidad de datos reducida utilizada para el entrenamien-
to del modelo y se requiere un conjunto de datos más
amplio de al menos 600 imágenes a más por clase para
que pueda generalizar bien con datos nuevos como ha
sido comprobado por [5] con ModCNN, para mejorar el
rendimiento del modelo, se recolectarán nuevas mues-
tras por clases (cultivos sanos y enfermos) bajo la aseso-
ría de agricultores y técnicos de campo, de igual forma
se indagará a cerca del acceso a repositorios de Machine
Learning para fortalecer el modelo con datos sucientes,
como lo hizo [7] con el proyecto que predice enfermeda-
des en hojas del cultivo de arroz utilizando CNN.
Para reducir el sobreajuste de modelo entrenado, [26]
sugiere mejorar la cantidad y calidad de los datos de en-
trenamiento aplicando métodos comúnmente utilizados,
como la transformación de traslación y rotación de las imá-
genes, se considerará como una acción importante a to-
mar en cuenta para la optimización de modelo entrenado.
La tecnicación y el control integrado de plagas y en-
fermedades, contribuye a la producción y productividad
del cultivo de maíz [27], aspectos que también pueden
aplicarse a otros cultivos básicos. Por ello, utilizar mo-
delo de aprendizaje automático en una aplicación móvil,
para identicar daños causados por plagas y enfermeda-
des en los cultivos es una buena estrategia, debido a que,
es una tecnología que permiten agilizar el reconocimien-
to de imágenes correspondiente a afectaciones, de esta
forma la atención y el manejo a problemas puede tratar-
se en fases iniciales, evitar que se extienda y compartir
información al respecto con la comunidad, asimismo se
minimizan los daños y se contribuye al buen rendimien-
to de los cultivos.
Incorporar tecnologías en el desarrollo de activida-
des agrícolas facilita el trabajo y mejora la productividad,
sin embargo, la presencia de recurso humano con cono-
cimientos técnicos sigue siendo valioso para asegurar la
aplicación adecuada y oportuna.
4. Conclusiones
Los requerimientos relevantes para este proyecto se de-
tallan en 3 historias de usuarios prioritarias ubicadas en
un Sprint, este generó un entregable terminado con el
modelo entrenado en Google Teachable Machine para
detección de plagas y enfermedades especícas en culti-
vos de maíz, frijol y sorgo.
El modelo entrenado con 252 imágenes como prue-
ba piloto, se incorporó en la aplicación móvil utilizando
TensorFlow Lite, en función de facilitar el trabajo a agri-
cultores y técnicos de campo que cosechan, supervisan y
ejecutan acciones para controlar el deterioro en cultivos
provocados por plagas y enfermedades.
La precisión general alcanzada del modelo es de 0.958
en la detección de plagas y enfermedades de cultivos de
maíz, frijol y sorgo, inuye en el resultado la forma de
capturar la imagen, capacidad de la cámara del dispo-
sitivo y la variedad de imágenes que dispone el modelo
para clasicar.
El patrón MVC utilizado para estructurar la aplica-
ción permitió obtener una arquitectura organizada, es-
calable y de fácil manejo del código, aplicar patrones de
diseño y arquitectónicos constituye una buena práctica
de programación.
A pesar de que el aprendizaje automático es un buen
aliado para solventar problemas en el sector agrícola, aún
existen muchos retos por superar, como, la aceptación
32
Inteligencia Articial: Machine Learning, para Detección Temprana de Plagas y Enfermedades de Cultivos Básicos, Nicaragua
y disponibilidad de nuevas tecnologías por parte de los
agricultores, la adquisición de recursos necesarios para
su implementación, la clasicación, calidad y cantidad de
imágenes que debe proveerse al modelo para que los re-
sultados sean acertados.
Es importante mencionar que, las aplicaciones desa-
rrolladas para detectar daños en cultivos con Machine
Learning deben ser utilizadas por personas que se enfren-
tan de forma cotidiana a estas dicultades, ellos son los
que pueden validar el verdadero aporte de estas. Aunque
este tipo de tecnologías facilita la identicación tempra-
na de plagas y enfermedades, el acompañamiento de los
técnicos de campo siempre será importante y se debe to-
mar en cuenta sus recomendaciones.
Referencias
[1] O. F. C. Martinez, «Situación del cultivo de maíz en Gua-
temala: principales limitaciones en la productividad»,
ACI Av. En Cienc. E Ing., vol. 14, n.o 1, Art. n.o 1, abr.
2022, doi: 10.18272/aci.v14i1.2596.
[2] N. C. Eli-Chukwu, «Applications of Articial Intelligen-
ce in Agriculture: A Review», Eng. Technol. Appl. Sci.
Res., vol. 9, n.o 4, Art. n.o 4, ago. 2019, doi: 10.48084/
etasr.2756.
[3] FAO, «La FAO acoge con satisfacción la decisión de con-
memorar cada año el Día Internacional de la Sanidad
Vegetal el 12 de mayo», Newsroom. Accedido: 20 de oc
-
tubre de 2024. [En línea]. Disponible en: https://acortar.
link/uiuR5M
[4] R. R. Hernández, «La Agricultura de Precisión. Una ne-
cesidad actual», Ing. Agríc., vol. 11, n.o 1, Art. n.o 1, 2021,
Accedido: 7 de julio de 2024. [En línea]. Disponible en:
https://www.redalyc.org/articulo.oa?id=586269368010
[5] F. Nihar, N. N. Khanom, S. S. Hassan, y A. K. Das, «Plant
Disease Detection through the Implementation of Di-
versied and Modied Neural Network Algorithms»,
J. Eng. Adv., vol. 2, n.o 01, pp. 48-57, mar. 2021, doi:
10.38032/jea.2021.01.007.
[6] O. López Gorozabel, R. Malla Valdiviezo, G. Morejón
López, y M. León Bravo, «Sistema de detección de pla-
gas en los cultivos», 593 Digit. Publ. CEIT, vol. 9, n.
o
1,
pp. 128-137, 2024, Accedido: 10 de julio de 2024. [En lí-
nea]. Disponible en: https://dialnet.unirioja.es/servlet/
articulo?codigo=9262986
[7] B. Paneru, B. Paneru, y K. B. Shah, «Analysis of Convo-
lutional Neural Network-based Image Classications: A
Multi-Featured Application for Rice Leaf Disease Pre-
diction and Recommendations for Farmers», 17 de sep-
tiembre de 2024, arXiv: arXiv:2410.01827. doi: 10.48550/
arXiv.2410.01827.
[8] A. Flores, «INTA presenta nuevas variedades de sorgo
rojo de alta calidad industrial», El 19 Digital. Accedido:
25 de junio de 2023. [En línea]. Disponible en: https://
bit.ly/3rB7iB5
[9] Hernández-Sampieri, Roberto y Mendoza Torres,
Christian Paulina, Metodología de la Investigación: las
rutas cuantitativa, cualitativa y mixta. México: Mc-
GRAW-HILL, 2018.
[10] «Android Studio», Android Developers. Accedido: 26 de
junio de 2023. [En línea]. Disponible en: https://acortar.
link/JMuOhb
[11] J. Sánchez Allende, Java 2: iniciación y referencia. Mc-
Graw-Hill España, 2005. Accedido: 7 de julio de 2024.
[En línea]. Disponible en: https://elibro.net/es/ereader/
unanmanagua/50290?page=20
[12] J. Torres, Python Deep Learning: Introducción práctica
con Keras y TensorFlow 2. Alpha Editorial, 2020.
[13] Google, «Teachable Machine». Accedido: 8 de junio de
2023. [En línea]. Disponible en: https://teachablemachi-
ne.withgoogle.com/
[14] Google, «TensorFlow Lite», TensorFlow. Accedido: 7 de
julio de 2024. [En línea]. Disponible en: https://www.
tensorow.org/lite/guide?hl=es-419
[15] Google Cloud, «Bases de datos de Google Cloud», Goo-
gle Cloud. Accedido: 10 de junio de 2023. [En línea].
Disponible en: https://acortar.link/dyoTk5
[16] M. Carney etal., «Teachable Machine: Approacha-
ble Web-Based Tool for Exploring Machine Lear-
ning Classication», en Extended Abstracts of the 2020
CHI Conference on Human Factors in Computing Sys-
tems, en CHI EA ’20. New York, NY, USA: Associa-
tion for Computing Machinery, abr. 2020, pp. 1-8. doi:
10.1145/3334480.3382839.
[17] D. Agustian, P. P. G. P. Pertama, P. N. Crisnapati, y P.
D. Novayanti, «Implementation of Machine Learning
Using Google’s Teachable Machine Based on Android»,
en 2021 3rd International Conference on Cybernetics
and Intelligent System (ICORIS), oct. 2021, pp. 1-7. doi:
10.1109/ICORIS52787.2021.9649528.
[18] «Umbrales y matriz de confusión | Machine Learning
| Google for Developers». Accedido: 27 de octubre de
2024. [En línea]. Disponible en: https://acortar.link/UB-
PrcS
[19] K. S. & J. Sutherland, «La Guía Denitiva de Scrum: Las
Reglas del Juego», nov. 2020, Accedido: 25 de junio de
2023. [En línea]. Disponible en: https://repositorio.uvm.
edu.ve/handle/123456789/59
[20] J. M. V. Gertrudix, Java 17 Programación Avanzada. Ra-
Ma Editorial, 2022.
[21] D. S. Menchaca, «Calidad en la especicación de reque-
rimientos de soware aplicado en metodologías ágiles»,
INF-FCPN-PGI Rev. PGI, pp. 61-64, nov. 2021, Accedi-
do: 25 de junio de 2023. [En línea]. Disponible en: ht-
tps://ojs.umsa.bo/ojs/index.php/inf_fcpn_pgi/article/
view/49
[22] R. Herranz, Despegar con Scrum. Lulu.com, 2016. [En
línea]. Disponible en: https://acortar.link/ZqhItg
[23] E. A. U. Malahina, R. P. Hadjon, y F. Y. Bisilisin, «Teacha-
ble Machine: Real-Time Attendance of Students Based
on Open Source System», IJICS Int. J. Inform. Comput.
33
Inteligencia Articial: Machine Learning, para Detección Temprana de Plagas y Enfermedades de Cultivos Básicos, Nicaragua
Sci., vol. 6, n.o 3, Art. n.o 3, nov. 2022, doi: 10.30865/ijics.
v6i3.4928.
[24] Google, «Glosario sobre aprendizaje automático | Ma-
chine Learning | Google for Developers». Accedido: 27
de octubre de 2024. [En línea]. Disponible en: https://
acortar.link/saYFPI
[25] «Marco de Trabajo para Seleccionar un Patrón Arqui-
tectónico en el Desarrollo de Soware». Accedido: 1 de
julio de 2024. [En línea]. Disponible en: https://dspace.
tdea.edu.co/handle/tdea/2670
[26] Jiang Huixian, «e Analysis of Plants Image Recogni-
tion Based on Deep Learning and Articial Neural Ne-
twork | IEEE Journals & Magazine | IEEE Xplore», vol.
8. Accedido: 9 de octubre de 2024. [En línea]. Disponi-
ble en: https://ieeexplore.ieee.org/document/9062591/
similar#similar
[27] M. Caviedes-Cepeda, F. Carvajal-Larenas, y J. L. Zam-
brano-Mendoza, «Generación de tecnologías para el cul-
tivo de maíz (Zea mays. L) en el Ecuador», ACI Av. En
Cienc. E Ing., vol. 14, n.o 1, Art. n.o 1, abr. 2022, doi:
10.18272/aci.v14i1.2588.
[28] Tecnológico Nacional, «Manual Granos Básicos opt.
pdf». Accedido: 9 de julio de 2024. [En línea]. Disponi-
ble en: https://www.tecnacional.edu.ni/media/Manual_
Granos_B%C3%A1sicos_opt.pdf
Anexos a
Figura 6.
Predicción con imagen que no se usó / Predicción con
imagen que se usó en el entrenamiento
Figura 7.
Predicción errónea de Mosquita del sorgo y Sorgo sano
Figura 8.
Predicción correcta de Mosca blanca y Gallina ciega
34
Inteligencia Articial: Machine Learning, para Detección Temprana de Plagas y Enfermedades de Cultivos Básicos, Nicaragua
Tabla 2.
Afectaciones de plagas y enfermedades en cultivos
Clasicación Nombres Afectaciones en cultivos.
Enfermedad
Mosaico dorado (BGYMV) Las hojas tienen un moteado de tonos amarillos, con venas más
blancas de lo normal.
Roya (Puccinia sorghi)
Pústulas alargadas de color herrumbroso oscuro, pústulas os-
curas casi negras, presentes en el haz y envés de la hoja, solo
presente en hojas.
Mancha zonada (Gloeocerco-
spora sorghi)
Lesiones elípticas y largas de color café claro en el centro con
márgenes oscuras. Cuando la infestación es severa el área foliar
queda con una apariencia quemada.
Plagas
Mosca blanca (Bemisia tabaci) Hojas se muestran amarillas. Aparece un insecto pequeño de
color blanco sobre las hojas del cultivo.
Chicharrita verde (Empoasca
kraemer)
Lesiones en las hojas, se desarrolla el hongo negro cubre la hoja.
Insecto diminuto, de color verde en el cultivo.
Gallina ciega (Phyllophaga sp) Larvas blancas en las raíces del cultivo, afecta desarrollo de la
planta. En etapa adulta es un escarabajo de color oscuro.
Cogollero (Spodoptera frugiper-
da)
Raspadura de la epidermis en las hojas, agujeros grandes e irreg-
ulares, excrementos como huella. Larvas verde o café / en etapa
adulta es polilla de hojas café.
Mosquita del sorgo (Contarinia
sorghicola)
Hojas enrolladas, oración y granos en formación afectados.
Larvas amarillas / etapa adulta mosca pequeña con alas trans-
parentes.
Barrenador mayor del tallo (Dia-
traea saccharalis)
Tejidos de las plantas, cogollo y vaina de hojas carcomidos. Lar-
vas amarillo claro / etapa adulta larva con alas café claro.
Nota. Información obtenida de Tecnológico Nacional [28]
Tabla 6.
Comparación de métodos utilizados y precisión obtenida de estudios relacionados
Referencia Tecnologías / Métodos Datos Precisión de prueba
[5] ModCNN Tomate y Frijol 0.9769
[7] CNN Arroz 0.9583
[6] Tensorow /CNN Hortaliza 0.81 - 0.94
Anexos b
