inteligencia artificial en el diagnostico de enfermedades en las plantas

1. UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA
DEPARTAMENTO ACADÉMICO DE CIENCIAS AGRARIAS
FACULTAD DE AGRONOMIA
INTELIGENCIA ARTIFICIAL EN EL DIAGNOSTICO DE ENFERMEDADES DE
PLANTAS
CURSO:
FITOPATOLOGÍA TROPICAL
DOCENTE: Cabezas Hayllas, Oscar
INTEGRANTES:
Álvarez Alarcón, Walter Yuliño
Cuenca Gonzales, Darney Jhoni
Zuñiga Espinoza Roberto Carlos
Bujaico montes johan
TINGO MARÍA – PERÚ-2023

2. INTRODUCCION
El uso de la inteligencia artificial (IA) es lo que a predominar en el futuro debido a grandes
demandas de alimentos para el consumo humano por una alta tasa de crecimiento
poblacional. Además, tenemos también al avance de las enfermedades fito- patógenos en
las plantas y necesitamos el rápido detección de dicho enfermedad para su manejo y
cuidado de la planta y tener una buena producción y no tener pérdidas económicas. Y hoy
en día es una herramienta que ya está siendo utilizado con bastante frecuencia en los
países más desarrollados. El término inteligencia artificial fue adoptado en 1956, en
EE.UU. Pero se ha vuelto más popular hoy día gracias al incremento en los volúmenes de
datos, algoritmos avanzados, y mejoras en el poder de cómputo y el almacenaje. La
inteligencia artificial (IA) hace posible que las máquinas aprendan de la experiencia, se
ajusten a nuevas aportaciones y realicen tareas como seres humanos.

3. HISTORIA DE LA INTELIGENCIA ARTIFICAL
la inteligencia artificial (ia) en el diagnóstico de enfermedades en plantas ha evolucionado a lo largo del tiempo.
1.Década de 1960: Se desarrollaron los primeros sistemas expertos en IA, que se basaban en el conocimiento humano codificado en
forma de reglas. Estos sistemas se aplicaron a varios campos, incluida la agricultura, aunque en una escala limitada.
2.Década de 1980: El enfoque de la IA en la agricultura se centró en el desarrollo de sistemas basados en el conocimiento, donde los
expertos en la materia proporcionaban información sobre enfermedades de plantas y sus síntomas. Estos sistemas se utilizaban
principalmente para fines de investigación y educación.
3.Década de 1990: Con el avance de las tecnologías de la información y la creciente disponibilidad de imágenes digitales, se comenzaron
a utilizar técnicas de procesamiento de imágenes y algoritmos de aprendizaje automático para diagnosticar enfermedades en plantas.
4.Años 2000: Se introdujeron las redes neuronales artificiales (ANN) en el diagnóstico de enfermedades en plantas. Estos algoritmos de
aprendizaje profundo permitieron analizar imágenes de plantas y clasificarlas según la enfermedad que presentan.
5.Años 2010: Las redes neuronales convolucionales (CNN) se convirtieron en el estándar en la detección y diagnóstico de enfermedades
en plantas basadas en imágenes. Además, se desarrollaron aplicaciones móviles y plataformas en línea que utilizan la IA para ayudar a los
agricultores a diagnosticar enfermedades en plantas de manera rápida y precisa.
6.Actualidad: La IA en el diagnóstico de enfermedades en plantas continúa evolucionando, con algoritmos cada vez más precisos y
eficientes. Se están explorando nuevas técnicas, como el aprendizaje por refuerzo y la visión por computadora, para mejorar aún más la
detección y el diagnóstico de enfermedades en plantas.

4. imágenes aéreas: los drones y los satélites equipados con cámaras de alta resolución y sensores
multiespectrales pueden capturar imágenes aéreas de los campos. estas imágenes proporcionan información
sobre la salud de las plantas y pueden revelar signos de enfermedades o estrés
imágenes terrestres: las cámaras terrestres y los dispositivos móviles también se pueden utilizar para recopilar
imágenes de alta resolución de los cultivos. los agricultores o especialistas en campo pueden tomar fotografías
de las plantas y cargarlas en sistemas de ia para su análisis.
sensores de campo: los sensores instalados en los campos pueden monitorear factores ambientales,
como la temperatura, la humedad y la radiación solar. estos datos pueden ayudar a identificar
condiciones que favorecen el desarrollo de enfermedades y proporcionar información adicional para el
análisis de la ia.
datos históricos y geoespaciales: la información sobre enfermedades anteriores, los patrones
climáticos y la geolocalización de los cultivos puede ser útil para entrenar algoritmos de ia y mejorar su
capacidad para diagnosticar enfermedades.
datos de laboratorio: las muestras de tejido vegetal recolectadas en el campo pueden analizarse en
laboratorios para identificar patógenos específicos, como virus, bacterias o hongos. estos datos pueden
utilizarse para validar y mejorar la precisión de los modelos de ia.
1. METODOS DE DIAGNOSTICO DE LA INTELIGENCIA ARTFICIAL EN
ENFERMEDADES EN PLANTAS

5. LA INTELIGENCIA ARTIFICIAL (IA) AYUDA A LOS AGRICULTORES A
IDENTIFICAR ENFERMEDADES EN PLANTAS
análisis de imágenes: la ia, en particular las redes neuronales convolucionales (cnn), puede analizar imágenes de plantas y detectar
síntomas de enfermedades. estos algoritmos pueden identificar patrones y características en las imágenes, lo que permite un diagnóstico
rápido y preciso.
detección temprana: la ia puede identificar signos tempranos de enfermedades en plantas antes de que sean visibles a simple vista. esto
permite a los agricultores tomar medidas preventivas, como aplicar tratamientos específicos o eliminar las plantas afectadas para evitar la
propagación de la enfermedad.
aplicaciones móviles: se han desarrollado aplicaciones móviles que utilizan la ia para diagnosticar enfermedades en plantas. los
agricultores pueden tomar fotos de sus plantas con sus teléfonos y recibir un diagnóstico instantáneo. esto facilita el acceso a información
precisa y actualizada sobre enfermedades en plantas, incluso en áreas remotas.
Monitoreo y seguimiento: La IA puede analizar datos de sensores y sistemas de monitoreo en tiempo real para identificar cambios en
las condiciones ambientales o en el crecimiento de las plantas que podrían indicar la presencia de enfermedades. Esto permite a los
agricultores tomar decisiones informadas sobre cómo manejar sus cultivos.
Predicción y prevención: La IA puede analizar datos históricos y actuales sobre enfermedades en plantas, así como factores
ambientales y de cultivo, para predecir la aparición de enfermedades y ayudar a los agricultores a implementar medidas preventivas.

6. LA INTELIGENCIA ARTIFICIAL (IA) PUEDE DIAGNOSTICAR UNA AMPLIA VARIEDAD DE
ENFERMEDADES EN PLANTAS, TANTO INFECCIOSAS COMO NO INFECCIOSAS.
enfermedades causadas por hongos: estas enfermedades, como la roya, el mildiú polvoriento y la
pudrición de la raíz, suelen manifestarse como manchas, decoloración o crecimiento de moho en las
hojas, tallos o raíces de las plantas.
enfermedades bacterianas: la ia puede detectar enfermedades causadas por bacterias, como la
mancha bacteriana, el cancro y la marchitez bacteriana. estas enfermedades pueden causar síntomas
como manchas acuosas, lesiones en los tallos y marchitamiento de las hojas.
enfermedades virales: los virus pueden causar enfermedades en plantas, como el mosaico del tabaco,
la marchitez por virus y el virus del rizado amarillo del tomate. la ia puede identificar patrones y
deformaciones en las hojas, así como cambios en el color y la textura de las plantas afectadas.
enfermedades causadas por nematodos: los nematodos son pequeños gusanos que pueden infectar
las raíces de las plantas y causar enfermedades como la agalla de la raíz y la marchitez por nematodos.
la ia puede detectar cambios en el crecimiento y la apariencia de las raíces afectadas.

7. Deficiencias nutricionales: Aunque no son enfermedades en sí mismas, las deficiencias nutricionales pueden
causar síntomas similares a los de las enfermedades en plantas. La IA puede identificar signos de deficiencias,
como la clorosis (amarillamiento) y la necrosis (muerte del tejido) en las hojas.
Enfermedades causadas por insectos y ácaros: La IA también puede detectar enfermedades transmitidas por
insectos y ácaros, como la psila asiática de los cítricos y el ácaro rojo. Estas enfermedades pueden causar
síntomas como deformaciones en las hojas, decoloración y crecimiento deficiente.
Enfermedades abióticas: La IA puede identificar enfermedades abióticas, como el estrés por sequía, el daño
por frío y el estrés por salinidad, que son causadas por factores ambientales en lugar de patógenos. Estas
enfermedades pueden manifestarse como marchitamiento, decoloración y muerte prematura de las plantas.

8. plátano: la ia puede detectar enfermedades como la sigatoka negra, la sigatoka amarilla y el mal de panamá, lo
que permite a los agricultores tomar medidas preventivas y de control adecuadas.
cacao: la ia puede identificar enfermedades en el cacao, como la moniliasis, la escoba de bruja y la pudrición
parda, lo que facilita el manejo de enfermedades y la protección de los cultivos.
café: en cultivos de café, la ia puede diagnosticar enfermedades como la roya del café, la mancha amarilla y la
broca del café, lo que permite a los productores mantener la calidad y la producción de sus granos.
UTILIZACION DE LA INTELIGENCIA ARTIFICIAL EN CULTIVOS TROPICALES

9. Piña: La IA puede detectar enfermedades en la piña, como la fusariosis, la pudrición del corazón y
la mancha rosada, lo que ayuda a los agricultores a proteger sus cosechas y mejorar los
rendimientos.
Cítricos: En cultivos de cítricos, la IA puede identificar enfermedades como la tristeza de los
cítricos, lo que permite a los agricultores aplicar tratamientos específicos y reducir las pérdidas de
producción.
Maíz: La IA puede diagnosticar enfermedades en el maíz, como la pudrición de la raíz y el tallo, el
tizón del maíz y el marchitamiento bacteriano, lo que ayuda a los agricultores a proteger sus
cosechas y mejorar los rendimientos.

10. Arroz: En cultivos de arroz, la IA puede detectar enfermedades como la mancha
marrón, la costra del arroz y el tizón bacteriano, permitiendo a los agricultores tomar
medidas rápidas y efectivas para proteger sus cosechas.
Palma: La IA también se utiliza en la detección de enfermedades en los cultivos de
palma, como el amarillamiento letal, la pudrición del cogollo y el marchitamiento por
fusarium, ayudando a los productores a mantener la salud de sus palmas y la
producción de aceite de palma.

11. VENTAJAS DE LA INTELIGENCIA ARTIFICIAL EN EL DIAGNÓSTICO DE
ENFERMEDADES DE PLANTAS:
 Precisión mejorada: La IA puede analizar grandes cantidades de datos y
patrones para identificar enfermedades de plantas con mayor precisión que los
métodos tradicionales.
 Eficiencia: La IA puede realizar diagnósticos de enfermedades de plantas de
manera rápida y eficiente, lo que ayuda a los agricultores a tomar medidas rápidas
para controlar y tratar las enfermedades.
 Detección temprana: La IA puede identificar signos tempranos de enfermedades
en las plantas antes de que los síntomas sean visibles para los agricultores, lo que
permite una intervención temprana y reduce el riesgo de propagación.
 Análisis integral: La IA puede analizar múltiples factores, como imágenes de
plantas, datos climáticos y datos de suelo, para ofrecer diagnósticos más
completos y precisos.
 Escalabilidad: La IA puede adaptarse y aplicarse a diferentes cultivos y regiones,
lo que la hace escalable y útil en diferentes contextos agrícolas.

12. DESVENTAJAS DE LA INTELIGENCIA ARTIFICIAL EN EL DIAGNÓSTICO DE
ENFERMEDADES DE PLANTAS:
 Dependencia de datos de entrenamiento: La IA requiere grandes conjuntos de datos de
entrenamiento para funcionar correctamente, lo que puede ser un desafío en áreas con
poca disponibilidad de datos.
 Interpretación limitada: La IA puede tener dificultades para interpretar ciertos tipos de
enfermedades o condiciones que no estén incluidas en su conjunto de entrenamiento.
 Costo y acceso a tecnología: La implementación de sistemas de IA puede ser costosa y
requerir recursos tecnológicos avanzados, lo que puede limitar su adopción en algunas
áreas.
 Mantenimiento y actualización: Los sistemas de IA requieren un mantenimiento regular y
actualizaciones para mantenerse actualizados y funcionar de manera óptima.

13. TÉCNICAS DE INTELIGENCIA ARTIFICIAL UTILIZADAS EN EL DIAGNÓSTICO DE
ENFERMEDADES EN PLANTAS:
Redes Neuronales Convolucionales (CNN): Estas redes son ampliamente utilizadas para el análisis de imágenes de
plantas y pueden identificar patrones y características específicas de las enfermedades.
Sistemas Expertos: Los sistemas expertos utilizan reglas y conocimientos específicos para diagnosticar
enfermedades en las plantas. Estos sistemas se basan en bases de conocimientos desarrolladas por expertos en
fitopatología.
Algoritmos de Aprendizaje Automático: Los algoritmos de aprendizaje automático, como los árboles de decisión o
los clasificadores de vectores de soporte (SVM), pueden aprender de datos históricos y realizar predicciones precisas
sobre enfermedades en plantas.
Redes Neuronales Recurrentes (RNN): Estas redes se utilizan para el análisis de secuencias en el diagnóstico de
enfermedades en plantas. Pueden procesar datos secuenciales, como series temporales de síntomas o registros de
enfermedades, y aprender patrones subyacentes para identificar enfermedades.

14. INVESTIGACIONES RELACIONADO CON LA INTELIGENCIA ARTIFICIAL EN EL
DIAGNOSTICO DE ENFERMEDADES EN NUESTRO PAIS
"Proyectos de Investigación en Inteligencia Artificial y Bioinformática": Pedro Antonio
Gonzales Sánchez ha llevado a cabo investigaciones en el diagnóstico de enfermedades y plagas
del cacao en la región de San Martín en Perú. Su trabajo se centra en el uso de la inteligencia
artificial y la bioinformática para mejorar el diagnóstico de enfermedades en este cultivo.
El Grupo de Inteligencia Artificial PUCP, reconocido como Centro de Investigación desde mayo
de, ha realizado investigaciones sobre el diagnóstico automático con inteligencia artificial de la
enfermedad de la roya del café.
El Instituto Nacional de Investigación y Capacitación de Telecomunicaciones de la
Universidad Nacional de Ingeniería (INICTEL-UNI) ha llevado a cabo proyectos de investigación
sobre el monitoreo y diagnóstico de alerta temprana para detectar la aparición de la roya en
plantaciones de café.

15. LA INTELIGENCIA ARTIFICIAL (IA) TIENE NUMEROSAS APLICACIONES EN LA
AGRICULTURA.
1. Sistemas de autoguiado: La IA se utiliza para dirigir la conducción de tractores y maquinaria agrícola de manera autónoma, lo
que aumenta la eficiencia y reduce los errores humanos.
2. Predicción y monitoreo de cultivos: La IA se utiliza para predecir el rendimiento de los cultivos y monitorear su estado de salud.
Esto se logra mediante el análisis de datos históricos y en tiempo real, como imágenes satelitales, datos climáticos y registros de
cultivo.
3. Gestión de plagas y enfermedades: La IA se utiliza para identificar y predecir la presencia de plagas y enfermedades en los
cultivos. Esto permite una detección temprana y la implementación de medidas de control eficientes.
4. Optimización de la irrigación y fertilización: La IA se utiliza para determinar las necesidades de riego y fertilización de los
cultivos en función de factores como el tipo de suelo, el clima y las necesidades específicas de cada planta.
5. Recolección automatizada: La IA se utiliza para desarrollar robots y sistemas automatizados que pueden recolectar cultivos de
manera eficiente y precisa, reduciendo la dependencia de la mano de obra humana.

16. APLICACIONES Y PLATAFORMAS CON INTELIGENCIA ARTIFICIAL QUE
AYUDA AL DIAGNOSTICO DE ENFERMEDADES EN PLANTAS
 Agrio: Es una aplicación que utiliza inteligencia artificial para identificar enfermedades y plagas en las plantas Permite a los
agricultores capturar imágenes de las plantas afectadas y proporciona un diagnóstico preciso y recomendaciones de
tratamiento.
o
 Doctor X Nabat: Esta aplicación utiliza inteligencia artificial para el diagnóstico temprano de enfermedades en los cultivos.
Permite a los agricultores capturar imágenes de las plantas afectadas y ofrece un diagnóstico con un porcentaje de
probabilidad, así como recomendaciones de tratamiento.
 Plantix: es una aplicación móvil que utiliza la IA para analizar imágenes de plantas y diagnosticar enfermedades, deficiencias
nutricionales y problemas de plagas. Los usuarios simplemente toman una foto de la planta afectada, y la aplicación
proporciona información sobre la enfermedad y recomendaciones de tratamiento.
 AgroPestAlert: es una plataforma que utiliza la IA y el aprendizaje automático para identificar y predecir la presencia de
plagas y enfermedades en cultivos. La plataforma analiza datos de sensores, imágenes de drones y satélites, y datos
climáticos para proporcionar alertas tempranas y recomendaciones de manejo a los agricultores.
 IBM Watson Decision Platform for Agriculture: Esta plataforma de IBM utiliza la IA y el aprendizaje automático para
analizar datos de sensores, imágenes y fuentes climáticas, y proporcionar información sobre la salud de los cultivos, incluida
la detección de enfermedades. La plataforma también ofrece recomendaciones de manejo y predicciones de rendimiento.

17.  Taranis: es una plataforma de agricultura de precisión que utiliza la IA para analizar imágenes aéreas de
cultivos y detectar signos de enfermedades, plagas y problemas nutricionales. La plataforma proporciona
información detallada y recomendaciones de manejo a los agricultores.
 FarmBeats: es una solución de Microsoft que utiliza la IA y el aprendizaje automático para analizar datos
de sensores, imágenes de drones y satélites, y datos climáticos para monitorear la salud de los cultivos y
detectar enfermedades. La plataforma también ofrece recomendaciones de manejo y predicciones de
rendimiento.

18. CONCLUSIÓN
La inteligencia artificial ha demostrado ser una herramienta poderosa en el
diagnóstico de enfermedades en plantas. A medida que la tecnología avanza, su papel
en la agricultura y la horticultura se vuelve cada vez más relevante. ha revolucionado
la forma en que abordamos el diagnóstico de enfermedades en plantas, brindando
precisión, automatización y oportunidad. A medida que la tecnología continúa
evolucionando, es probable que siga desempeñando un papel crucial en la agricultura
moderna, contribuyendo a la seguridad alimentaria y al manejo sostenible de los
cultivos. Sin embargo, es importante seguir investigando y superando los desafíos
para aprovechar al máximo su potencial en este campo.