Sistema predictivo para la detección y control de la plaga de la araña roja del tomate en Lambayeque

Abstract

Este presente estudio aborda un problema crítico en la agricultura peruana, centrándose en la detección y control de la plaga de la araña roja en los cultivos de tomate en Lambayeque. Los objetivos incluyeron la aplicación de métricas de calidad de datos para seleccionar y preprocesar imágenes de tomates y la implementación de modelos de deep learning para la detección y clasificación de la plaga. La metodología combinó eXtreme Programming (XP) y CRISP-DM, lo que permitió un enfoque ágil y de alta calidad para el desarrollo del sistema web y la creación de modelos de deep learning. Los resultados fueron altamente alentadores: obtuvimos un dataset de imágenes de hojas de tomate de alta calidad, con una tasa de aprobación superior al 95%, sentando una base sólida para el sistema. Los modelos de deep learning alcanzaron una precisión excepcional en la detección y clasificación de la plaga. La funcionalidad del sistema cumplió con las normas ISO 25010, respaldada por el alto grado de satisfacción de 18 pequeños agricultores encuestados. La validación por comité también fue exitosa, con tres expertos calificando el sistema como "nivel bueno". En resumen, esta investigación presenta un sistema predictivo eficaz para la detección y control de la plaga de la araña roja en los cultivos de tomate en Lambayeque, respaldado por resultados sólidos en la selección de imágenes, la implementación de modelos de deep learning y la funcionalidad del sistema. Este enfoque tiene el potencial de marcar una diferencia significativa en la gestión agrícola y la sostenibilidad en la región.This study addresses a critical problem in Peruvian agriculture, focusing on the detection and control of the red spider mite pest in tomato crops in Lambayeque. The objectives included the application of data quality metrics to select and preprocess tomato images and the implementation of deep learning models for pest detection and classification. The methodology combined eXtreme Programming (XP) and CRISP-DM, which enabled an agile and high quality approach to web system development and deep learning model creation. The results were highly encouraging: we obtained high quality tomato leaf image datasets with a pass rate of over 95%, laying a solid foundation for the system. The deep learning models achieved exceptional accuracy in pest detection and classification. The functionality of the system met ISO 25010 standards, supported by the high level of satisfaction of 18 smallholder farmers surveyed. Validation by committee was also successful, with three experts rating the system as "good level". In summary, this research presents an effective predictive system for the detection and control of the red spider mite pest in tomato crops in Lambayeque, supported by robust results in image selection, deep learning model implementation and system functionality. This approach has the potential to make a significant difference in agricultural management and sustainability in the region.