Identificación y conteo de insectos (mosca blanca, trips y minador de hoja) capturados en trampa adhesiva mediante visión e inteligencia artificial. Caso Flores El Trigal

Abstract

RESUMEN: En los cultivos de flores, la presencia de plagas puede generar grandes pérdidas y afectar la producción de las empresas, por esto, es fundamental realizar un monitoreo constante en busca de insectos, enfermedades o daños en las plantas que indiquen la presencia de plagas. Esta es una labor que se torna complicada debido a que el comportamiento de algunos insectos puede ser más activo en la noche o en la ausencia de los operarios. Actualmente, para contrarrestar esta problemática, se implementa el uso de trampas adhesivas como método de monitoreo indirecto, con las cuales se capturan insectos para luego analizar el crecimiento de su población. La información recolectada en la lectura de las trampas es clave para la toma de decisiones, pero la magnitud de los cultivos y el tamaño de los insectos hacen que sea una tarea que demanda tiempo, esfuerzo y conocimiento especializado. Por esto, con el desarrollo de este proyecto se busca automatizar el proceso, mediante la identificación automática de tres clases de insectos: Minador de hoja, Trips y Mosca Blanca, a través de una aplicación móvil, dando alivio a la persona encargada de realizar esta actividad. En este documento se presenta un estudio de diferentes métodos computacionales para la clasificación y conteo de insectos, mediante la metodología Design Thinking de Herbert Simon (1969), la cual propone 7 etapas: definición, investigación, ideación, prototipado, selección, implementación y aprendizaje. Esta metodología puede ejecutarse de forma no lineal e iterativa. Los métodos computacionales estudiados son: Procesamiento Digital de Imágenes, Machine Learning a través de la plataforma Custom Vision de Microsoft Azure y Deep Learning con el modelo de detección de objetos YOLO (You Only Look Once). Luego de diseñar y probar un prototipo por cada método, se elige el modelo YOLO para su implementación, ya que obtuvo el mejor desempeño en la clasificación de los insectos. El modelo seleccionado se implementa en una aplicación móvil desarrollada en el software Android Studio, con la cual es posible clasificar y cuantificar los insectos capturados en la trampa en tiempo real, lo que reduce el tiempo que toma realizar el monitoreo manual, de 1 minuto por placa aproximadamente a un par de segundos que le toma a la persona enfocar la trampa con el dispositivo móvil; suprime la necesidad de capacitar a las personas en identificación de plagas y ofrece a la empresa la oportunidad de almacenar la información digitalmente, dando un paso importante en la transformación digital, la cultura del dato y el uso de la información.

ABSTRACT: In flower crops, the presence of pests can generate great losses and affect the production of the companies. For this reason, it is essential to carry out constant monitoring in search of insects, diseases or damage to plants that indicate the presence of pests. This is a task that becomes complicated because the behavior of some insects can be more active at night or in the absence of operators.

Currently, to counteract this problem, the use of adhesive traps is implemented as a method of indirect monitoring, with which insects are captured and then analyzed for population growth. The information collected in the reading of the traps is key for decision making, but the magnitude of the crops and the size of the insects make it a task that demands time, effort and specialized knowledge. For this reason, with the development of this project we seek to automate the process, through the automatic identification of three classes of insects: Leaf miner, Trips and White fly, through a mobile application, giving relief to the person in charge of this activity.

This document presents a study of different computational methods for the classification and counting of insects, through the Design Thinking methodology by Herbert Simon (1969), which proposes 7 stages: definition, research, ideation, prototyping, selection, implementation and learning. This methodology can be executed in a non-linear and iterative way.

The computational methods studied are: Digital Image Processing, Machine Learning through Microsoft Azure's Custom Vision platform and Deep Learning with the YOLO (You Only Look Once) object detection model. After designing and testing a prototype for each method, the YOLO model is chosen for implementation, since it obtained the best performance in the classification of insects.

The selected model is implemented in a mobile application developed in the Android Studio software, with which it is possible to classify and quantify the insects captured in the trap in real time, which reduces the time it takes to perform manual monitoring, from 1 minute per plate approximately to a couple of seconds that it takes the person to focus the trap with the mobile device; it eliminates the need to train people in pest identification and offers the company the opportunity to store the information digitally, taking an important step in the digital transformation, data culture and use of information. In addition, it presents the quotation of a software company for the development of the application, with which the return on investment of the project is calculated, based on the hours saved with the automation.