Sistema de monitorización y detección de plagas en cultivos aplicando algoritmos de Deep Learning

Abstract

En este proyecto se presenta un diseño global de un sistema de monitorización de un campo de cultivo, en el que, mediante sensores y diferentes tipos de dispositivos de recolección de datos, UAV y cámaras para obtención de imágenes, se monitorizan constantemente datos ambientales, de la tierra y de las plantas, con el objetivo de aplicar técnicas de agricultura de precisión y poder optimizar procesos como el riego, la fertilización, el uso de pesticidas o la recolección, además de detectar posibles enfermedades y plagas en la plantación. En primer lugar, se propone un diseño de la arquitectura del sistema de agricultura inteligente, a continuación, se analizan teóricamente los diferentes tipos de dispositivos de adquisición de datos, así como los protocolos y sistemas de comunicación requeridos para la transmisión de datos en cada etapa, y se propone una solución específica para cada uno de los sistemas de monitorización. En segundo lugar, se profundiza en el diseño de un sistema de detección de plagas o enfermedades en el cultivo, aplicando técnicas de aprendizaje automático profundo. Se implementa una red neuronal convolucional entrenada desde cero con un dataset de imágenes de hojas de diferentes cultivos, que clasifica las imágenes en el tipo de cutlivo y tipo de plaga correspondientes, y se compara su rendimiento con redes neuronales preentrenadas.

En aquest projecte es presenta un disseny global d'un sistema de monitorització d'un camp de conreu, en el qual, mitjançant sensors i diferents tipus de dispositius de recollida de dades, UAV i càmeres per a obtenció d'imatges, es monitoritzen constantment dades ambientals, de la terra i de les plantes, amb l'objectiu d'aplicar tècniques d'agricultura de precisió i poder optimitzar processos com el reg, la fertilització, l'ús de pesticides o la recol·lecció, a més de detectar possibles malalties i plagues en la plantació. En primer lloc, es proposa un disseny de l'arquitectura de sistema d'agricultura intel·ligent, a continuació, s'analitzen teòricament els diferents tipus de dispositius d'adquisició de dades, així com els protocols i sistemes de comunicació requerits per a la transmissió de dades en cada etapa , i es proposa una solució específica per a cada un dels sistemes de monitorització. En segon lloc, s'aprofundeix en el disseny d'un sistema de detecció de plagues o malalties en el cultiu, aplicant tècniques d'aprenentatge automàtic profund. S'implementa una xarxa neuronal convolucional entrenada des de zero amb un dataset d'imatges de fulles de diferents cultius, que classifica les imatges en el tipus de cutlivo i tipus de plaga corresponents, i es compara el seu rendiment amb xarxes neuronals preentrenadas.

In this project, a global design of a field monitoring system is presented, in which, using sensors and different types of data collection devices, UAVs and cameras for obtaining images, environmental data of the land and plants is constantly monitored, with the aim of applying precision agriculture techniques and being able to optimize processes such as irrigation, fertilization, the use of pesticides or harvesting, in addition to detecting possible diseases and pests in the plants. First, a design of the architecture of the smart agriculture system is proposed, then, different types of data acquisition devices are theoretically analyzed as well as the protocols and communication systems required for data transmission at each stage, and a specific solution is proposed for each of the monitoring systems. Secondly, a system for detecting pests or diseases in the crop is implemented, applying deep learning techniques, specifically, a convolutional neural network trained from scratch is implemented with a dataset of images of leaves from different kind of crops, which classifies the images into the corresponding crop type and pest type, and their performance is compared with pretrained neural networks.