Localización de hojas y frutos en plantas de jitomate mediante yolo8vn

José Luis Carranza Flores; Andrea Magadán Salazar; Jairo Cristóbal Alejo; Jorge Fuentes-Pacheco

doi:10.61117/ipsumtec.v8i3.383

Autores/as

José Luis Carranza Flores Tecnológico Nacional de México https://orcid.org/0000-0002-0235-8685
Andrea Magadán Salazar Tecnológico Nacional de México https://orcid.org/0000-0001-5474-4150
Jairo Cristóbal Alejo Tecnológico Nacional de México
Jorge Fuentes-Pacheco Tecnológico Nacional de México

DOI:

https://doi.org/10.61117/ipsumtec.v8i3.383

Palabras clave:

deep learning, CNN, YOLO8vn, hojas de tomate, fruto del tomate

Resumen

La localización de objetos de interés con aprendizaje profundo es un área de la visión por computadora que se enfoca en identificar y delimitar la ubicación de objetos específicos dentro de una imagen. En este artículo se presenta una propuesta de localizar el rectángulo mínimo de hojas y frutos de jitomate de manera automática, mediante el análisis de imágenes con Yolo8vn. Los resultados obtenidos muestran un buen desempeño aún frente a factores como la presencia de cambios en la perspectiva, escala, iluminación, presencia de polvo, patologías, etc.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Biografía del autor/a

José Luis Carranza Flores , Tecnológico Nacional de México

Jose Luis Carranza Flores es Maestro en Sistemas Computacionales por el Tecnológico Nacional de México / Instituto Tecnológico de Acapulco. Áreas de interés: aprendizaje de máquinas, aprendizaje profundo, agricultura de precisión.

Andrea Magadán Salazar , Tecnológico Nacional de México

Andrea Magadán Salazar es Doctora en Tecnologías de la Información y Sistemas Informáticos por la Universidad Rey Juan Carlos (España) y Maestra en Ciencias, en Ciencias Computacionales por el TecNM/CENIDET. Sus áreas de interés en la Inteligencia Artificial son en visión por computadora, aprendizaje de máquinas, ciencia de datos y aprendizaje profundo, en los campos de la biometría, videovigilancia, agricultura de precisión para la inspección visual de plantas.

Jairo Cristóbal Alejo , Tecnológico Nacional de México

Jairo Cristóbal Alejo es Doctor en Ciencias en Fitopatología (Colegió de Postgraduados) y Maestro en ciencias en Fitopatología por la misma institución áreas: diagnóstico etiología de enfermedades, epidemiología y control de enfermedades, aprovechamiento de microorganismos benéficos para mejorar la salud de las plantas

Jorge Fuentes-Pacheco , Tecnológico Nacional de México

Jorge Fuentes-Pacheco recibió el grado de Maestro y Doctor en Ciencias de la Computación con especialidad en Inteligencia Artificial por el Centro Nacional de Investigación y Desarrollo Tecnológico (CENIDET) en México, en los años de 2009 y de 2014 respectivamente. Durante el 2015 y el 2016 realizó una estancia posdoctoral en el Centro de Investigación en Ciencias (CInC) de la Universidad Autónoma del Estado de Morelos en Cuernavaca, México. Durante el periodo de septiembre de 2016 a septiembre 2022 se desempeñó como Profesor-Investigador del CInC a través del programa "Cátedras CONACYT". Actualmente es profesor-investigador en el Centro Nacional de Investigación y Desarrollo Tecnológico (CENIDET). Cuenta con el reconocimiento de Investigador Nacional Nivel 1 (enero 2024-diciembre 2028). Sus áreas de interés son: Visión por Computadora, Agricultura de Precisión y Aprendizaje profundo.

Citas

Organización de las Naciones Unidas, 2022. [Consultado 08 de agosto de 2024] Disponible en: https://www.un.org/es/global-issues/population.

Hernández, R. R. (2021). La agricultura de precisión. Una necesidad actual. Revista Ingeniería Agrícola, 11(1), 67-74.

Instituto de Investigación y capacitación agropecuaria, acuícola y forestal ICAMEX, (2023). Cultivo de Jitomate.

Jia, W., Xu, Y., Lu, Y., Yin, X., Pan, N., Jiang, R., & Ge, X. (2023). An accurate green fruits detection method based on optimized YOLOX-m. Frontiers in Plant Science, 14, 1187734.

Singh, A. K., Sreenivasu, S. V. N., Mahalaxmi, U. S. B. K., Sharma, H., Patil, D. D., & Asenso, E. (2022). Hybrid feature-based disease detection in plant leaf using convolutional neural network, bayesian optimized SVM, and random forest classifier. Journal of Food Quality, 2022, 1-16. DOI: https://doi.org/10.1155/2022/2845320

Jia, W., Xu, Y., Lu, Y., Yin, X., Pan, N., Jiang, R., & Ge, X. (2023). An accurate green fruits detection method based on optimized YOLOX-m. Frontiers in Plant Science, 14, 1187734. DOI: https://doi.org/10.3389/fpls.2023.1187734

Peng, D., Li, W., Zhao, H., Zhou, G., & Cai, C. (2023). Recognition of tomato leaf diseases based on DIMPCNET. Agronomy, 13(7), 1812. DOI: https://doi.org/10.3390/agronomy13071812

Liang, J., & Jiang, W. (2023). A ResNet50-DPA model for tomato leaf disease identification. Frontiers in Plant Science, 14, 1258658. DOI: https://doi.org/10.3389/fpls.2023.1258658

Chen, H., Wang, Y., Jiang, P., Zhang, R., & Peng, J. (2023). LBFNet: A Tomato Leaf Disease Identification Model Based on Three-Channel Attention Mechanism and Quantitative Pruning. Applied Sciences, 13(9), 5589. DOI: https://doi.org/10.3390/app13095589

Debnath, A., Hasan, M. M., Raihan, M., Samrat, N., Alsulami, M. M., Masud, M., & Bairagi, A. K. (2023). A Smartphone-Based Detection System for Tomato Leaf Disease Using EfficientNetV2B2 and Its Explainability with Artificial Intelligence (AI). Sensors, 23(21), 8685. DOI: https://doi.org/10.3390/s23218685

Umar, M., Altaf, S., Sattar, K., Somroo, M. W., & Sivakumar, S. (2023). Multi-Disease Recognition in Tomato Plants: Evaluating the Performance of CNN and Improved YOLOv7 Models for Accurate Detection and Classification. DOI: https://doi.org/10.21203/rs.3.rs-3245718/v1

Flores Colorado, O. E., Cervantes Canales, J., García-Lamont, F. y Ruiz Castilla, J. S. (2023). Identificación de las principales enfermedades de la planta del café (Coffea arabica) a través de visión artificial. CIENCIA ergo-sum, 30(3). DOI: https://doi.org/10.30878/ces.v30n3a8

Fadhilla, M., & Suryani, D. (2023). Android Application for Tomato Leaf Disease Prediction Based on MobileNet Fine-tuning. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 7(6), 1260-1267. DOI: https://doi.org/10.29207/resti.v7i6.5132

Islam, M. M., Talukder, M. A., Sarker, M. R. A., Uddin, M. A., Akhter, A., Sharmin, S., ... & Debnath, S. K. (2023). A deep learning model for cotton disease prediction using fine-tuning with smart web application in agriculture. Intelligent Systems with Applications, 20, 200278. DOI: https://doi.org/10.1016/j.iswa.2023.200278

Khatoon, S., Hasan, M. M., Asif, A., Alshmari, M., & Yap, Y. (2021). Image-based automatic diagnostic system for tomato plants using deep learning. Comput. Mater. Contin, 67(1), 595-612. DOI: https://doi.org/10.32604/cmc.2021.014580

Khattak, A., Asghar, M. U., Batool, U., Asghar, M. Z., Ullah, H., Al-Rakhami, M., & Gumaei, A. (2021). Automatic detection of citrus fruit and leaves diseases using deep neural network model. IEEE access, 9, 112942-112954. DOI: https://doi.org/10.1109/ACCESS.2021.3096895

Zeng, Q., Sun, J., & Wang, S. (2023). DIC-Transformer: interpretation of plant disease classification results using image caption generation technology. Frontiers in Plant Science, 14. DOI: https://doi.org/10.3389/fpls.2023.1273029

Da Silva Abade, A., de Almeida, A. P. G., & de Barros Vidal, F. (2019). Plant Diseases Recognition from Digital Images using Multichannel Convolutional Neural Networks. In VISIGRAPP (5: VISAPP) (pp. 450-458). DOI: https://doi.org/10.5220/0007383904500458

López, J. A. M., De la Torre Gutiérrez, H., & López, F. J. H. Detección de antiespacios urbanos usando YOLO: Caso de estudio Mexicali.

Mohanty, S. P., Hughes, D. P., & Salathé, M. (2016). Using deep learning for image-based plant disease detection. Frontiers in plant science, 7, 1419. DOI: https://doi.org/10.3389/fpls.2016.01419

Sagar, A., & Dheeba, J. (2020). On using transfer learning for plant disease detection. BioRxiv, 2020-05. DOI: https://doi.org/10.1101/2020.05.22.110957

Zhao, S., Peng, Y., Liu, J., & Wu, S. (2021). Tomato leaf disease diagnosis based on improved convolution neural network by attention module. Agriculture, 11(7), 651. DOI: https://doi.org/10.3390/agriculture11070651

Chipuli, J. P., & Luwemba, G. W. (2023). Tomato Plant Leaf Disease Detection Using Image Recognition: A Case Study of Mlali in Morogoro Region, Tanzania. European Journal of Information Technologies and Computer Science, 3(4), 18-25. DOI: https://doi.org/10.24018/compute.2023.3.4.114

Rangarajan, A. K., Purushothaman, R., & Ramesh, A. (2018). Tomato crop disease classification using pre-trained deep learning algorithm. Procedia computer science, 133, 1040-1047. DOI: https://doi.org/10.1016/j.procs.2018.07.070

Latif, G., Abdelhamid, S. E., Mallouhy, R. E., Alghazo, J., & Kazimi, Z. A. (2022). Deep learning utilization in agriculture: Detection of rice plant diseases using an improved CNN model. Plants, 11(17), 2230. DOI: https://doi.org/10.3390/plants11172230

Jung, M., Song, J. S., Shin, A. Y., Choi, B., Go, S., Kwon, S. Y., ... & Kim, Y. M. (2023). Construction of deep learning-based disease detection model in plants. Scientific Reports, 13(1), 7331. DOI: https://doi.org/10.1038/s41598-023-34549-2

Liu, Y., & Yu, Q. (2024). Real-time and lightweight detection of grape diseases based on Fusion Transformer YOLO. Frontiers in Plant Science, 15, 1269423. DOI: https://doi.org/10.3389/fpls.2024.1269423

Fuentes, A., Yoon, S., Kim, S. C., & Park, D. S. (2017). A robust deep-learning-based detector for real-time tomato plant diseases and pests recognition. Sensors, 17(9), 2022. DOI: https://doi.org/10.3390/s17092022

Fuentes, A. F., Yoon, S., Lee, J., & Park, D. S. (2018). High-performance deep neural network-based tomato plant diseases and pests diagnosis system with refinement filter bank. Frontiers in plant science, 9, 1162. DOI: https://doi.org/10.3389/fpls.2018.01162

Gonzalez-Huitron, V., León-Borges, J. A., Rodríguez-Mata, A. E., Amabilis-Sosa, L. E., Ramírez-Pereda, B., & Rodríguez, H. (2021). Disease detection in tomato leaves via CNN with lightweight architectures implemented in Raspberry Pi 4. Computers and Electronics in Agriculture 181, 105951. DOI: https://doi.org/10.1016/j.compag.2020.105951

Bhujel, A., Kim, N. E., Arulmozhi, E., Basak, J. K., & Kim, H. T. (2022). A lightweight Attention-based convolutional neural networks for tomato leaf disease classification. Agriculture, 12(2), 228. DOI: https://doi.org/10.3390/agriculture12020228

Ullah, Z., Alsubaie, N., Jamjoom, M., Alajmani, S. H., & Saleem, F. (2023). EffiMob-Net: A Deep Learning-Based Hybrid Model for Detection and Identification of Tomato Diseases Using Leaf Images. Agriculture, 13(3), 737. DOI: https://doi.org/10.3390/agriculture13030737

Mbouembe, P. L. T., Liu, G., Park, S., & Kim, J. H. (2023). Accurate and fast detection of tomatoes based on improved YOLOv5s in natural environments. Frontiers in Plant Science, 14. DOI: https://doi.org/10.3389/fpls.2023.1292766

Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). Yolov4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934.

Yolo. [Consultado el 12 de mayo de 2024] Disponible en: docs.ultralytics.com/es/models/yolov8/

Yolo8vn. [Consultado el 12 de mayo de 2024] https://github.com/ultralytics/ultralytics?tab=readme-ov-file

Plantvillage. [Consultado el 12 de octubre de 2024] Disponible en: https://plantvillage.psu.edu/

ImageNet. [Consultado el 12 de octubre de 2024] Disponible en: https://www.image-net.org/

Kaggle. [Consultado el 12 de mayo de 2024] Disponible en: https://www.kaggle.com/datasets

Roboflow. [Consultado el 12 de mayo de 2024] Disponible en: https://roboflow.com/