Artificial Intelligence: Machine Learning for Early Detection of Pests and Diseases in Basic Crops, Nicaragua
Article Sidebar
Main Article Content
Abstract
The 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. The 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. The methodology indicates the organization of programming according to the Model-View-Controller pattern and the metrics used by the model. The 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.
Downloads
Metrics
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
O. F. C. Martinez, «Situación del cultivo de maíz en Guatemala: 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.
N. C. Eli-Chukwu, «Applications of Artificial Intelligence 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.
FAO, «La FAO acoge con satisfacción la decisión de conmemorar cada año el Día Internacional de la Sanidad Vegetal el 12 de mayo», Newsroom. Accedido: 20 de octubre de 2024. [En línea]. Disponible en: https://acortar.link/uiuR5M
R. R. Hernández, «La Agricultura de Precisión. Una necesidad 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
F. Nihar, N. N. Khanom, S. S. Hassan, y A. K. Das, «Plant Disease Detection through the Implementation of Diversified and Modified Neural Network Algorithms», J. Eng. Adv., vol. 2, n.o 01, pp. 48-57, mar. 2021, doi: 10.38032/jea.2021.01.007.
O. López Gorozabel, R. Malla Valdiviezo, G. Morejón López, y M. León Bravo, «Sistema de detección de plagas en los cultivos», 593 Digit. Publ. CEIT, vol. 9, n.o 1, pp. 128-137, 2024, Accedido: 10 de julio de 2024. [En línea]. Disponible en: https://dialnet.unirioja.es/servlet/articulo?codigo=9262986
B. Paneru, B. Paneru, y K. B. Shah, «Analysis of Convolutional Neural Network-based Image Classifications: A Multi-Featured Application for Rice Leaf Disease Prediction and Recommendations for Farmers», 17 de septiembre de 2024, arXiv: arXiv:2410.01827. doi: 10.48550/arXiv.2410.01827.
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
Hernández-Sampieri, Roberto y Mendoza Torres, Christian Paulina, Metodología de la Investigación: las rutas cuantitativa, cualitativa y mixta. México: McGRAW-HILL, 2018.
«Android Studio», Android Developers. Accedido: 26 de junio de 2023. [En línea]. Disponible en: https://acortar.link/JMuOhb
J. Sánchez Allende, Java 2: iniciación y referencia. McGraw-Hill España, 2005. Accedido: 7 de julio de 2024. [En línea]. Disponible en: https://elibro.net/es/ereader/unanmanagua/50290?page=20
J. Torres, Python Deep Learning: Introducción práctica con Keras y TensorFlow 2. Alpha Editorial, 2020.
Google, «Teachable Machine». Accedido: 8 de junio de 2023. [En línea]. Disponible en: https://teachablemachine.withgoogle.com/
Google, «TensorFlow Lite», TensorFlow. Accedido: 7 de julio de 2024. [En línea]. Disponible en: https://www.tensorflow.org/lite/guide?hl=es-419
Google Cloud, «Bases de datos de Google Cloud», Google Cloud. Accedido: 10 de junio de 2023. [En línea]. Disponible en: https://acortar.link/dyoTk5
M. Carney et al., «Teachable Machine: Approachable Web-Based Tool for Exploring Machine Learning Classification», en Extended Abstracts of the 2020 CHI Conference on Human Factors in Computing Systems, en CHI EA ’20. New York, NY, USA: Association for Computing Machinery, abr. 2020, pp. 1-8. doi: 10.1145/3334480.3382839.
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.
«Umbrales y matriz de confusión | Machine Learning | Google for Developers». Accedido: 27 de octubre de 2024. [En línea]. Disponible en: https://acortar.link/UBPrcS
K. S. & J. Sutherland, «La Guía Definitiva 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
J. M. V. Gertrudix, Java 17 Programación Avanzada. Ra-Ma Editorial, 2022.
D. S. Menchaca, «Calidad en la especificación de requerimientos de software aplicado en metodologías ágiles», INF-FCPN-PGI Rev. PGI, pp. 61-64, nov. 2021, Accedido: 25 de junio de 2023. [En línea]. Disponible en: https://ojs.umsa.bo/ojs/index.php/inf_fcpn_pgi/article/view/49
R. Herranz, Despegar con Scrum. Lulu.com, 2016. [En línea]. Disponible en: https://acortar.link/ZqhItg
E. A. U. Malahina, R. P. Hadjon, y F. Y. Bisilisin, «Teachable Machine: Real-Time Attendance of Students Based on Open Source System», IJICS Int. J. Inform. Comput. Sci., vol. 6, n.o 3, Art. n.o 3, nov. 2022, doi: 10.30865/ijics.v6i3.4928.
Google, «Glosario sobre aprendizaje automático | Machine Learning | Google for Developers». Accedido: 27 de octubre de 2024. [En línea]. Disponible en: https://acortar.link/saYFPI
«Marco de Trabajo para Seleccionar un Patrón Arquitectónico en el Desarrollo de Software». Accedido: 1 de julio de 2024. [En línea]. Disponible en: https://dspace.tdea.edu.co/handle/tdea/2670
Jiang Huixian, «The Analysis of Plants Image Recognition Based on Deep Learning and Artificial Neural Network | IEEE Journals & Magazine | IEEE Xplore», vol. 8. Accedido: 9 de octubre de 2024. [En línea]. Disponible en: https://ieeexplore.ieee.org/document/9062591/similar#similar
M. Caviedes-Cepeda, F. Carvajal-Larenas, y J. L. Zambrano-Mendoza, «Generación de tecnologías para el cultivo 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.
Tecnológico Nacional, «Manual Granos Básicos opt.pdf». Accedido: 9 de julio de 2024. [En línea]. Disponible en: https://www.tecnacional.edu.ni/media/Manual_Granos_B%C3%A1sicos_opt.pdf