Diseño y desarrollo de un sistema prototipo de diagnóstico de afecciones en plantas de cítricos utilizando procesamiento de imágenes y aprendizaje profundo

Alrededor del mundo, la demanda de alimento crece con el paso del tiempo y Colombia cuenta con potencial para la producción de este. No obstante, las diferentes afecciones que aquejan los cultivos son un obstáculo para suplir esa demanda, especialmente en países en desarrollo, en los que más del 80% de los alimentos provienen de pequeños agricultores, quienes no suelen contar con los medios para hacer frente a este problema. El Valle del Cauca es una región que cuenta con condiciones para el cultivo de cítricos, los cuales además son de interés para las empresas del departamento. Con el fin de aprovechar estas condiciones, se deben generar soluciones que permitan una identificación temprana de enfermedades, plagas y deficiencias nutricionales, haciendo posible el tratamiento oportuno de estos problemas. En este trabajo de grado se presenta el diseño y desarrollo de un sistema prototipo de diagnóstico de afecciones en plantas de cítricos a partir de fotografías en el rango visible de las hojas de dichas plantas. La construcción de este sistema se basa en los campos del aprendizaje profundo y el procesamiento de imágenes: utilizando un modelo de red neuronal convolucional, para cuyo entrenamiento se aplican transferencia de aprendizaje y aumentado de datos, entre otras técnicas, se construye una aplicación móvil para dispositivos Android que permite la captura de fotografías con la cámara del dispositivo y la obtención de un diagnóstico sobre estas, con base en 7 categorías de afecciones distintas. La aplicación móvil permite además el almacenamiento de la información de marca de tiempo, geolocalización y porcentajes de pertenencia a cada categoría para los diagnósticos obtenidos, en un sistema de base de datos en la nube. Entre los resultados más relevantes del proyecto están la obtención de porcentajes de exactitud global de más del 90% al aplicar el modelo en conjunto con la técnica de rechazo por umbral sobre el conjunto de datos de prueba y el despliegue exitoso
Around the world, food demand grows as time passes and Colombia shows potential for its production. Nevertheless, the affections which attack crops are an obstacle for fulfilling that demand. This is true especially in developing countries, in which more than 80% of food come from smallholder farmers, who are not prepared to face said issue. The Valle del Cauca region presents conditions for citrus cultivation, which is also of interest for local companies. In order to take advantage of this conditions, solutions for early detection of diseases, plagues and nutrient deficiencies must be created, making it possible to deal with these problems in a timely manner. In this undergraduate thesis, the design and development of a prototype system for detecting affections in citrus plants, based on visible light spectrum pictures of its leaves, is presented. The system is built using deep learning and image processing: a convolutional neural network is trained using transfer learning and data augmentation, among other techniques, and used for building an Android application which allows taking pictures and obtaining a diagnosis about them. The diagnosis is based on 7 categories of affections. The mobile application also allows to store the geolocation, timestamp and class percentages data for obtained diagnoses in a cloud database. The main results of the project include accuracy rates over 90% when using the classification model in conjunction with the rejection threshold technique over the test dataset, and the successful deployment of said model in an Android application, with barely noticeable execution times. Also, the architecture design is conceived in such a way that it’s useful as a basis for other solutions in different fields, as it allows the training of convolutional neural network models for classification tasks and its deployment in Android applications in a simple manner.