ISBN
979-13-87631-27-7
Fecha de publicación
27-12-2024
Licencia
D. R. © copyright 2024. Alan David Ramírez Noriega, Ivan Noel Alvarez Sánchez y Herman Geovany Ayala Zúñiga
Karla Vanessa Ayala Cruz
Universidad Autónoma de Sinaloa
0009-0009-6312-758X
José de Jesús Valenzuela Hernández
Colegio Nacional de Educación Profesional Técnica
0009-0009-6152-4186
Gilberto Bojórquez Delgado
Instituto Tecnológico Superior de Guasave
0009-0000-7829-6540
Acerca de
Los retos en la agricultura moderna cada vez más complejos y requieren de soluciones más avanzadas en el campo de las tecnologías aplicadas. Uno de los retos más importantes en el campo de la agricultura es la detección y control de malezas, ya que la presencia de ellas presenta pérdidas significativas en el rendimiento proyectado desde la programación del cultivo. El artículo aborda la necesidad de utilizar modelos avanzados de IA para mejorar la gestión de malezas en cultivos de maíz mediante el uso de drones. Se llevó a cabo una revisión sistemática de la literatura para identificar y evaluar los modelos de IA más relevantes: YOLO, Faster R-CNN, ResNet y VGG. El método de análisis fue la revisión sistemática de bibliografía la cual se dividió en tres pasos. Primero, se recopiló bibliografía sobre cada modelo mediante búsquedas exhaustivas en bases de datos académicas como IEEE Xplore, Google Scholar y ScienceDirect.
Segundo, se evaluaron los estudios seleccionados según criterios de precisión, velocidad de procesamiento, requerimientos computacionales, robustez y facilidad de implementación. Tercero, se sintetizó la evidencia para determinar el modelo más adecuado. Los resultados indican que YOLO es el modelo más adecuado debido a su capacidad de procesamiento en tiempo real y eficiencia, a pesar de tener una precisión ligeramente inferior comparada con otros modelos. Faster R-CNN ofrece alta precisión y robustez, pero su velocidad es inferior. ResNet se destacó por su alta precisión al igual que VGG, pero sus altos requerimientos computacionales y velocidad limitada los hacen menos práctico.
Referencias
Adamides, (2020). Smart farming for improving agricultural management. ScienceDirect. https://www.sciencedirect.com
AI Index Report. (2024). Artificial Intelligence Index. Stanford AI Index. Recuperado de Stanford AI Index
Akbar, M. (2023). A comparative study of AI models for plant disease detection. Journal of Big Data. Recuperado de Journal of Big Data
Ayoub Shaikh (2023). Revolutionizing agriculture with artificial intelligence: plant disease detection methods, applications, and their limitations. Frontiers in Plant Science. Recuperado de Frontiers in Plant Science
Dasgupta, P. (2023). An image processing approach for weed detection using deep learning. Springer
Food and Agriculture Organization (FAO). (2024). Integrated Weed Management. Recuperado de FAO Integrated Weed Management
Garcia, L., & Jimenez, J. M. (2021). A Wireless Sensor Network Deployment for Soil Moisture Monitoring in Precision Agriculture. Sensors. https://www.mdpi.com
GeoPard Agriculture (2023). Monitoring and Detection Technologies in Agriculture. Recuperado de GeoPard Agriculture
GeoPard Agriculture (2023). Weed Control in Agriculture. Recuperado de GeoPard Agriculture
Gonzalez-Andujar, J. L. (2023). Integrated Weed Management: A Shift towards More Sustainable and Holistic Practices. MDPI Agronomy. Recuperado de MDPI Agronomy
Haq, S. I. U. (2023). Weed detection in wheat crops using image analysis and AI. Applied Sciences, 13(15), 8840.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Residual Learning for Image Recognition. IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
Hong (2022). Boosting precision crop protection towards agriculture 5.0 via machine learning and emerging technologies: A contextual review. Frontiers in Plant Science. https://www.frontiersin.org
IEEE Xplore (2022). Advances in Monitoring and Detection Technologies for Agriculture. Recuperado de IEEE Xplore
IEEE (2021). Machine Learning Applications for Precision Agriculture. IEEE Xplore. https://ieeexplore.ieee.org
Kaur, H., & Sharma, R. (2023). Plant disease detection using AI technologies. Frontiers in Plant Science. Recuperado de Frontiers in Plant Science
Mishra, P. (2022). Advances in UAV and sensor technology for precision agriculture. Remote Sensing, 14(3), 503.
Mulla, D. J. (2013). Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps. Biosystems Engineering, 114(4), 358-371.
Osorio, L. (2020). Deep learning based image processing in lettuce crops for weed detection. ScienceDirect.
Oxford Bibliographies. (2022). Theory and Practice of Biological Control. Recuperado de Oxford Bibliographies
Prostko, E. (2024). Evaluation of inference performance of deep learning models for real-time weed detection in an embedded computer. Sensors, 24(2), 514.
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence.
Rodrigues, G. C. (2021). Precision Agriculture: Strategies and Technology Adoption. Agriculture 4.0 Review. https://www.agriculture.com
Simonyan, K., & Zisserman, A. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv preprint arXiv:1409.1556.
Sulaiman, M. N. (2021). Weed detection in maize fields using UAV imagery and deep learning. Computers and Electronics in Agriculture, 182, 105998.
Applications of Artificial Intelligence in Agriculture: A Review | Engineering, Technology & Applied Science Research. (n.d.). Retrieved March 4, 2024, from https://etasr.com/index.php/ETASR/article/view/2756/pdf
Esposito, M., Crimaldi, M., Cirillo, V., Sarghini, F., & Maggio, A. (2021). Drone and sensor technology for sustainable weed management: a review. Chemical and Biological Technologies in Agriculture, 8(1), 1–11. https://doi.org/10.1186/S40538-021-00217-8/TABLES/4
Huang, Y., Reddy, K. N., Fletcher, R. S., & Pennington, D. (2018). UAV Low-Altitude Remote Sensing for Precision Weed Management. Weed Technology, 32(1), 2–6. https://doi.org/10.1017/WET.2017.89
Ildar, R. (2020). Artificial Intelligence in Weed Recognition Tasks. Asian Journal of Applied Science and Technology, 04(02), 70–81. https://doi.org/10.38177/ajast.2020.4210
Miller, J. O., Shober, A. L., & VanGessel, M. J. (2022). Post-harvest drone flights to measure weed growth and yield associations. Agricultural and Environmental Letters, 7(1). https://doi.org/10.1002/AEL2.20081
Plagas y enfermedades en el cultivo del maíz: conoce las principales | BASF México. (n.d.). Retrieved June 12, 2024, from https://agriculture.basf.com/mx/es/contenidos-de-agricultura/plagas-enfermedades-maiz.html
Roslim, M. H. M., Juraimi, A. S., Che’ya, N. N., Sulaiman, N., Manaf, M. N. H. A., Ramli, Z., & Motmainna, M. (2021). Using Remote Sensing and an Unmanned Aerial System for Weed Management in Agricultural Crops: A Review. Agronomy 2021, Vol. 11, Page 1809, 11(9), 1809. https://doi.org/10.3390/AGRONOMY11091809
Shahi, T. B., Dahal, S., Sitaula, C., Neupane, A., & Guo, W. (2023). Deep Learning-Based Weed Detection Using UAV Images: A Comparative Study. Drones 2023, Vol. 7, Page 624, 7(10), 624. https://doi.org/10.3390/DRONES7100624
Shahi, T. B., Xu, C.-Y., Neupane, A., Guo, W., Shahi, T. B., Xu, C.-Y., Neupane, A., & Guo, W. (2022). Machine learning methods for precision agriculture with UAV imagery: a review. Electronic Research Archive 2022 12:4277, 30(12), 4277–4317. https://doi.org/10.3934/ERA.2022218
Tsouros, D. C., Bibi, S., & Sarigiannidis, P. G. (2019). A Review on UAV-Based Applications for Precision Agriculture. Information 2019, Vol. 10, Page 349, 10(11), 349. https://doi.org/10.3390/INFO10110349
UN Report: Global hunger numbers rose to as many as 828 million in 2021. (n.d.). Retrieved March 4, 2024, from https://www.who.int/news/item/06-07-2022-un-report–global-hunger-numbers-rose-to-as-many-as-828-million-in-2021
Westwood, J. H., Charudattan, R., Duke, S. O., Fennimore, S. A., Marrone, P., Slaughter, D. C., Swanton, C., & Zollinger, R. (2018). Weed Management in 2050: Perspectives on the Future of Weed Science. Weed Science, 66(3), 275–285. https://doi.org/10.1017/wsc.2017.78
Zhang, J., Yu, F., Zhang, Q., Wang, M., Yu, J., & Tan, Y. (2024). Advancements of UAV and Deep Learning Technologies for Weed Management in Farmland. Agronomy 2024, Vol. 14, Page 494, 14(3), 494. https://doi.org/10.3390/AGRONOMY14030494