Sistema de detección de plagas basado en visión computacional para los cultivos de vid de la zona sur del Perú

Abstract

El Perú se ha consolidado como el principal exportador mundial de uva de mesa, existiendo más de 22000 hectáreas de cultivo principalmente en las regiones de Ica un 47% y Piura el 36%. Sin embargo, plagas como la Esca y la Spodoptera frugiperda representan una gran amenaza para los cultivos vitivinícolas de estas regiones, ya que generan entre otros, bayas más pequeñas, destrucción de las yemas, retraso del crecimiento, plagas secundarias, hasta la muerte de la plantación. Siendo el principal inconveniente La detección de la plaga para la aplicación de medidas basadas en control biológico o químico. El presente trabajo implementó un sistema de detección temprana de plagas en los cultivos de vid en la región de Ica, Perú, mediante técnicas de detección y clasificación de visión computacional de una sola etapa. Se desarrolló un dataset propio in the wild, el cual se combina con imágenes generadas mediante la técnica de stable difusión. Se aplicaron técnicas de preprocesamiento para los datos y mediante Transfer Learning se entrenaron y compararon los modelos YOLOv8 y RetinaNet para la detección de Esca y la Spodoptera frugiperda en las hojas de los cultivos de vid, obteniendo un mAP@0.5 78,2% para el primer modelo y un mAP@0.5 84,5% para el segundo. Finalmente, se usó el modelo seleccionado en una aplicación móvil para detectar plagas en los cultivos de vid en tiempo real.

Peru has established itself as the world's leading exporter of table grapes, with more than 22,000 hectares of crops, in the regions of Ica 47% and Piura 36%. However, pests such as Esca and Spodoptera frugiperda pose a major threat to wine crops in these regions, causing, among other things, smaller berries, bud destruction, growth retardation, secondary pests, and even the death of the plantation. The main challenge is the timely detection of the pest for the application of biological or chemical control measures. This work implements an early pest detection system in grape crops in the Ica region of Peru, using single-stage computer vision detection and classification techniques. A proprietary in-the-wild dataset has been developed and combined with images generated using stable diffusion techniques. Preprocessing techniques were applied to the data, and transfer learning was used to train and compare the YOLOv8 and RetinaNet models for the detection of Esca and Spodoptera frugiperda on grapevine leaves. The first model obtained a 78.2% mAP@0.5 and the second an 84.5% mAP@0.5. Finally, using the selected model, a mobile application was developed to enable real-time pest detection in grapevine crops.