Sistema inteligente para la detección de enfermedades en cultivos hidropónicos mediante visión artificial

Diego Fernando Pichoasamín Morales; Patricio Javier Cruz Dávalos

doi:10.37431/conectividad.v7i1.339

Autores/as

Diego Fernando Pichoasamín Morales Universidad Estatal Península de Santa Elena https://orcid.org/0000-0002-8961-6295
Patricio Javier Cruz Dávalos Universidad Estatal Península de Santa Elena https://orcid.org/0000-0003-3026-7980

DOI:

https://doi.org/10.37431/conectividad.v7i1.339

Palabras clave:

Visión artificial, MobileNetV2, Aprendizaje por transferencia, Detección de enfermedades, Cultivos hidropónicos

Resumen

Este estudio presenta el desarrollo de un sistema para la detección temprana de enfermedades en cultivos hidropónicos de lechuga, empleando visión artificial e inteligencia artificial (IA). Se implementa un modelo basado en la arquitectura MobileNetV2, entrenado mediante aprendizaje por transferencia y ejecutado en una Raspberry Pi 4, con el objetivo de garantizar portabilidad y bajo consumo de recursos. El entrenamiento del sistema se realizó empleando un conjunto de 2,180 imágenes clasificadas en cuatro clases: sana, mildiu, oídio y mancha bacteriana; para lo cual se utilizaron técnicas de aumento de datos y preprocesamiento adaptado al modelo. Se alcanzó una exactitud del 96.34% en el conjunto de validación y 94% en pruebas, evidenciando una alta capacidad de generalización. El modelo fue integrado a un prototipo físico que captura imágenes en línea, realiza inferencias locales y proporciona retroalimentación visual inmediata sobre la enfermedad detectada. Esta investigación demuestra la viabilidad técnica de aplicar IA en agricultura de precisión para entornos hidropónicos, reduciendo la intervención manual y mejorando la eficiencia productiva, con potencial para ser escalada en soluciones agrícolas inteligentes.

Citas

Ahmed, S., Hasan, M. M., Ahmed, T., Sony, M. R. K., & Kabir, M. H. (2022). Less is more: Lighter and faster deep neural architecture for tomato leaf disease classification. IEEE Access, 10, 68868–68884. https://doi.org/10.1109/ACCESS.2022.3187203 DOI: https://doi.org/10.1109/ACCESS.2022.3187203

Akkem, Y., Biswas, S. K., & Varanasi, A. (2023). Smart farming using artificial intelligence: A review. Engineering Applications of Artificial Intelligence, 120, 105899. https://doi.org/10.1016/J.ENGAPPAI.2023.105899 DOI: https://doi.org/10.1016/j.engappai.2023.105899

Bhandari, N., Agarwal, R., & Bhandari, N. (2024). An insight on artificial intelligence (AI) and Internet of Things (IoT) driven hydroponics farming. E3S Web of Conferences, 556, 01036. https://doi.org/10.1051/e3sconf/202455601036 DOI: https://doi.org/10.1051/e3sconf/202455601036

Chiu, V., Ma, T., Jin, K., Li, Z., Sun, Y., Lee, J., Liu, D., Krouse, E., Chen, Y., & Li, B. (2020). Agriculture-Vision: A large aerial image database for agricultural pattern analysis. En Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (pp. 59-60). IEEE. DOI: https://doi.org/10.1109/CVPR42600.2020.00290

Duhan, S., Gulia, P., Gill, N. S., & Narwal, E. (2025). RTR_Lite_MobileNetV2: A lightweight and efficient model for plant disease detection and classification. Current Plant Biology, 42(3), 100459. https://doi.org/10.1016/j.cpb.2025.100459 DOI: https://doi.org/10.1016/j.cpb.2025.100459

Gowtham, V., Guhan, N. S., Balasubramanian, M., & Gangadurai, E. (2024). A smart hydroponic plant disease detection system using CNN. International Journal of Electronics and Communication Engineering, 7(2), 1–14.

Jeyabose, A., Eunice, J., Popescu, D. E., Chowdary, M. K., & Hemanth, J. (2022). Deep learning-based leaf disease detection in crops using images for agricultural applications. Agronomy, 12(10), 2395. https://doi.org/10.3390/agronomy12102395 DOI: https://doi.org/10.3390/agronomy12102395

Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, 147, 70–90. https://doi.org/10.1016/j.compag.2018.02.016 DOI: https://doi.org/10.1016/j.compag.2018.02.016

Khan, A., & Singh, A. (2024). Comparative analysis of image annotation tools: LabelImg, VGG Annotator, Label Studio, and Roboflow. JETIR Research Journal.

Li, Y., Chen, J., Li, Z., Sun, Q., & Pan, M. (2023). Hydroponic lettuce defective leaves identification based on improved YOLOv5s. Frontiers in Plant Science, 14, 1242337. https://doi.org/10.3389/fpls.2023.1242337 DOI: https://doi.org/10.3389/fpls.2023.1242337

Lu, Y., Zhang, Y., Wang, Y., & Li, X. (2023). Improved MobileNetV2 crop disease identification model for intelligent agriculture. PeerJ Computer Science, 9, e1595. https://doi.org/10.7717/peerj-cs.1595 DOI: https://doi.org/10.7717/peerj-cs.1595

Musa, A., Hamada, M., Aliyu, F. M., & Hassan, M. (2021). An intelligent plant disease detection system for smart hydroponic using convolutional neural network. En Proceedings of the 2021 IEEE 14th International Symposium on Embedded Multicore/Many-core Systems-on-Chip (MCSoC) (pp. 345–351). IEEE. https://doi.org/10.1109/MCSoC51149.2021.00058 DOI: https://doi.org/10.1109/MCSoC51149.2021.00058

Rahman, M. A., Chakraborty, N. R., Sufiun, A., Banshal, S. K., & Tajnin, F. R. (2024). An AIoT-based hydroponic system for crop recommendation and nutrient parameter monitorization. Smart Agricultural Technology, 8, 100472. https://doi.org/10.1016/j.atech.2024.100472 DOI: https://doi.org/10.1016/j.atech.2024.100472

Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L. C. (2018). MobileNetV2: Inverted residuals and linear bottlenecks. En Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 4510–4520). IEEE. https://doi.org/10.1109/CVPR.2018.00474 DOI: https://doi.org/10.1109/CVPR.2018.00474

Swarup Sahoo, R., Kumar Tripathy, C., Samantasinghar, U., & Biswal, P. (2022). Implementation of an indoor deep water culture farming system using IoT. En 2022 IEEE 2nd International Symposium on Sustainable Energy, Signal Processing and Cyber Security (iSSSC) (pp. 1–5). IEEE. https://doi.org/10.1109/iSSSC56467.2022.10051358 DOI: https://doi.org/10.1109/iSSSC56467.2022.10051358

Ye, M., Ward, P. J., De Plaen, J. J-F. G., & Koks, E. E. (2025). A deep learning pipeline to power infrastructure detection in high-resolution satellite images. Big Earth Data. https://doi.org/10.1080/20964471.2025.2490408 DOI: https://doi.org/10.1080/20964471.2025.2490408