Detección del estado de salud de la lechuga basada en visión por computadora
DOI:
https://doi.org/10.18004/ucsa/2409-8752/2025.012.01.003Palabras clave:
YOLO, Detección de lechugas,, Visión por computadoraResumen
La identificación temprana de problemas en la salud de las plantas es clave para un manejo agrícola eficiente y sostenible. No obstante, los métodos tradicionales de inspección visual no son viables a gran escala. Por ello, este trabajo propone un sistema automático de detección del estado de lechugas mediante el uso del detector de objetos YOLOv5.
El modelo fue entrenado con una base de datos de 144 imágenes de lechugas, capturadas en la granja BIOAlverde (Sevilla, España), clasificadas en dos categorías: en buen estado y en mal estado. Las imágenes fueron etiquetadas manualmente, y el modelo se entrenó aplicando técnicas de aumento de datos, ajuste de hiperparámetros y validación cruzada para mejorar la precisión. Los resultados obtenidos demuestran un alto desempeño del sistema.
Para lechugas en buen estado, se alcanzó una precisión del 97,9%, un recall del 99,3% y un mAP del 99,5%; mientras que, para lechugas en mal estado, la precisión fue del 95,8%, el recall del 100% y el mAP del 99,5%. En conclusión, el sistema propuesto representa una herramienta eficaz para la detección automática del estado de las lechugas, contribuyendo al desarrollo de una agricultura de precisión mediante la optimización del uso de recursos y la detección oportuna de problemas en los cultivos.
Descargas
Citas
Chebrolu, N., Lottes, P., Schaefer, A., Winterhalter, W., Burgard, W., & Stachniss, C. (2017). Agricultural robot dataset for plant classification, localization and mapping on sugar beet fields. The International Journal of Robotics Research, 36(10), 1045-1052.
Cienfuegos, S. M. U., & Rivas, J. J. B. (2025). Inteligencia Artificial: Machine Learning, para detección temprana de plagas y enfermedades de cultivos básicos, Nicaragua. INGENIO, 8(1), 24–34.
Fernández, L. J., Morales, D. R., & Sánchez, P. H. (2021). Implementación de redes neuronales profundas para la clasificación de enfermedades en hojas de lechuga. Journal of Agricultural Informatics, 12(3), 67-75.
la Fernández Marcos, S. (2023). Sistema de reconocimiento de patrones en imágenes satelitales para detección de objetos [Artículo
científico]. https://gredos.usal.es/bitstream/10366/158423/1/Memoria.pdf .
García, S. L., Pérez, N. M., & Rodríguez, V. H. (2022). Sistema basado en visión artificial para la detección automática de plagas en cultivos de lechuga. Tecnología Agrícola Aplicada, 14(1), 33-41.
Gómez, J. A., Pérez, L. M., & Rodríguez, S. F. (2020). Detección de enfermedades en lechuga mediante análisis de imágenes y aprendizaje profundo. Revista de Tecnología Agrícola, 15(2), 45-53.
Haque, M. E., Rahman, A., Junaeid, I., Hoque, S. U., & Paul, M. (2022). Rice leaf disease classification and detection using yolov5.arXiv preprint arXiv:2209.01579. Revista Científica de la UCSA, Vol.12 N.1 Abril, 2025: 03-13
Huang, J., Rathod, V., Sun, C., Zhu, M., Korattikara, A., Fathi, A., ... & Murphy, K. (2017). Speed/accuracy trade-offs for modern convolutional object detectors. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 7310–7311.
Jiang, P., Ergu, D., Liu, F., Cai, Y., & Ma, B. (2022). A review of YOLO algorithm developments. Procedia Computer Science, 199, 1066–1073.
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., & Berg, A. C. (2016). SSD: Single Shot MultiBox Detector. European Conference on Computer Vision, 21–37.
López, M. A., García, J. C., & Torres, E. F. (2018). Evaluación de la salud de la lechuga mediante análisis hiperespectral y aprendizaje automático. Ciencia y Tecnología Agrícola, 10(2), 89-97.
Martínez, R. P., López, A. G., & Hernández, M. T. (2019). Aplicación de técnicas de visión por computadora para el monitoreo de la salud de cultivos de lechuga. Agricultura Digital, 8(1), 22-30.
Martinez, F., Romaine, J. B., Johnson, P., Cardona, A., & Millan, P. (2025). Novel Fusion Technique for High-Performance Automated Crop edge Detection in Smart Agriculture. IEEE Access.
Martinez, F., Romaine, J. B., Manzano, J. M., Ierardi, C., & Millan, P. (2024). Deployment and verification of custom autonomous low-budget IoT devices for image feature extraction in wheat. IEEE Access.
Muñiz, L. (2021). Viabilidad y rendimiento de YOLOv5 en Raspberry Pi 4 modelo B. Obtenido de https://idus. us.es/bitstream/handle/11441/126961/TFG-3731-MU% c3%91IZ% 20GARCIA. pdf.
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.
Sarma, K. S. R. K., Sasikala, C., Surendra, K., Erukala, S., & Aruna, S. L. (2024, June). A comparative study on faster R-CNN, YOLO and SSD object detection algorithms on HID S system. In AIP Conference Proceedings (Vol. 2971, No. 1). AIP Publishing.
Tan, L., Huangfu, T., Wu, L., & Chen, W. (2021). Comparison of RetinaNet, SSD, and YOLO v3 for real-time pill identification. BMC Medical Informatics and Decision Making, 21, 1-11.
Terven, J., Córdova-Esparza, D. M., & Romero-González, J. A. (2023). A comprehensive review of yolo architectures in computer vision: From yolov1 to yolov8 and yolonas. Machine learning and knowledge extraction, 5(4), 1680-1716.
