Desarrollo de una aplicación móvil para la detección de enfermedades en la mazorca de cacao utilizando deep learning.

El cacao es susceptible a muchas enfermedades que pueden producir perdidas devastadoras, este es uno de los principales problemas para los pequeños y medianos productores, y hasta para los grandes. Por ello, es clave que en los cultivos de cacao se lleve un correcto control fitosanitario durante todo su ciclo de vida, principalmente en los primeros meses. Las malas prácticas en los cultivos favorecen en gran medida a la aparición de enfermedades y como consecuencia a la pérdida de plantaciones. Las condiciones ambientales también pueden influir al desarrollo de las mismas cuando estas se encuentran en un estado prematuro. Existen varias estrategias de prevención de enfermedades, sin embargo, ninguna de estas medidas asegura la eliminación completa de la afección en el cacao. Por ello es necesario adoptar un enfoque de control para identificar manualmente las mazorcas que han llegado a ser afectadas. Para resolver este problema, el presente trabajo tiene como propósito desarrollar un modelo deep learning capaz de reconocer las enfermedades fitóftora y monilia en mazorcas de cacao. Debido a la capacidad de poder identificar varios objetos en una imagen se decidió elegir un algoritmo de detección de objetos como lo es YOLO en su versión más actual. El modelo será incorporado en una aplicación móvil como producto final, donde se podrá capturar las imágenes mediante la cámara o galería para ejecutar la detección. El proceso de desarrollo se basó en primera instancia de la construcción de un dataset que contenga imágenes con mazorcas enfermas y sanas. Para ello se consideró la captura de fotos y la adición de un dataset encontrado en el repositorio Kaggle. Posteriormente se realizó el etiquetado de cada imagen mediante LabelImg, seleccionando las mazorcas con sus respectivas clases en un cuadro delimitador. Luego, se utilizó la plataforma Roboflow que permitió automatizar las tareas para que nuestro dataset posea el formato deseado. El entrenamiento del modelo con YOLOv5 se llevó a cabo en la nube, mediante el servicio de Google Colaboratory para hacer uso de una GPU. El entrenamiento se basó en la técnica de transfer learning para mejorar nuestro modelo final y obtener mejores resultados dada la limitación de nuestro dataset. El modelo final obtuvo valores de 0.80 de mAP, 0.88 de precisión y 0.73 de sensibilidad. Para utilizarlo en una aplicación móvil, el modelo fue convertido a un formato ONNX y luego con el framework Tencent NCNN a su respectivo formato. La implementación de la aplicación móvil se llevó a cabo según los procedimientos establecidos en la metodología Mobile-D, por lo que se trabajó cada fase con iteraciones. La aplicación se desarrolló utilizando Android Studio y se conformó de dos módulos que son: detección y galería. Permitiendo así realizar la ejecución del modelo dentro del módulo de detección y la visualización de las imágenes resultantes en el módulo galería. Para valorar el rendimiento de nuestro modelo, se realizaron las pruebas utilizando el conjunto test en la aplicación móvil. A partir de las pruebas se obtuvo una matriz de confusión para cada clase y las siguientes métricas: precisión del 0.85, sensibilidad del 0.84 y valor de referencia del 0.84. Con estos resultados se valida que nuestro modelo junto a la aplicación es capaz de detectar las mazorcas enfermas por fitóftora y monilia, además de las que no se encuentran afectadas mediante la clase sana.

• Hovedforfatter: Ruilova Cumbicos, Raúl Vinicio (author)
• Format: bachelorThesis
• Udgivet: 2022
• Fag: DEEP LEARNING; DETECCION DE OBJETO; YOLOV5; ENFERMEDAD DE CACAO
• Online adgang: http://repositorio.utmachala.edu.ec/handle/48000/18767