El documento presenta un proyecto de detección temprana del minador de los cítricos en el limonero utilizando técnicas de deep learning, con el objetivo de mejorar la eficiencia y sostenibilidad agrícola. A través de la recolección y análisis de imágenes, se desarrollará un modelo entrenado que permitirá identificar la presencia de la plaga de manera precisa. La iniciativa busca innovar en el diagnóstico de plagas, reduciendo pérdidas económicas y optimizando el uso de recursos en la agricultura.

1. Detección temprana del minador de los
cítricos (phyllocnistis citrella) en el cultivo
del limonero (citrus aurantifolia)
utilizando Deep Learning

2. Dr. Manuel Sánchez Chero
msanchezch@unf.edu.pe
Investigador Renacyt Nivel II
Detección temprana del minador de los cítricos (phyllocnistis
citrella) en el cultivo del limonero (citrus aurantifolia)
utilizando Deep Learning
Proyecto Financiado por la Universidad Nacional de Frontera
Convenio 005-2023-UNF

3. Introducció
n
Equipo de
Investigación
1
2 4
3
Metodología
Contenido
Divulgación
Propuesta

4. https://www.unf.edu.pe/unf/
https://www.youtube.com/watch?v=2EK_dQTRVjw
Video Institucional

5. Aplicación de tecnologías de la información y la comunicación, junto con
técnicas de inteligencia artificial, para mejorar la eficiencia, la
productividad y la sostenibilidad en el sector agrícola.
Introducción
Estos sistemas utilizan datos recopilados de diversas fuentes, como:
…. para tomar decisiones informadas y automatizar procesos.

6. Sistemas Inteligentes
Estos sistemas permiten una gestión precisa y eficiente
de recursos como agua, fertilizantes y pesticidas.
…. para optimizar la producción agrícola.

7. Equipo de Investigación
Dr. Flabio Gutiérrez Segura
Coordinador
Dr. Carlos Granda Wong
Dr. Manuel Sánchez Chero
Dr. Luis Aguilar Ibañez
Grupo de Investigación
Resolución de Comisión Organizadora
410-2023-UNF/CO
Línea de Investigación
Desarrollo e Innovación en Industrias Alimentarias
Tecnologías emergentes para la investigación e innovación de
alimentos.

8. Justificación
Figura 1: Crecimiento de la exportación de Limón en la región Piura (MIDAGRI, 2020).
Toneladas
metricas
(tm)
La región Piura esta desarrollando su gran potencial como productor
y agroexportador del limón (Figura 1).
Justificación

9. Justificación
Esta iniciativa económica-empresarial se ve afectado por que en
muchos casos se sigue utilizando formas tradicionales para
diagnosticar plagas. Lo que se traduce en pérdidas en la
producción y el aumento del coste en procesos de control.

10. La plaga del minador de los cítricos (Phyllocnistis citrella) ataca a las
hojas jóvenes (menores de 3 cm de longitud) del limonero. Generando
pérdidas de la masa foliar, lo que reduce el rendimiento en las cosechas.
Problema
Figura 2: Ciclos de desarrollo de Phyllocnistis citrella. De izquierda a derecha: huevos, larvas, pupa y adulto (Citrus leafminer life cycle, 2022 DPIRD)

11. Detectar en forma temprana la
plaga del minador de los cítricos
(Phyllocnistis citrella) en el cultivo
del limonero (Citrus aurantifolia)
utilizando herramientas y técnicas
de Deep Learning.
Objetivo

12. Adquisición de
materiales
Adquisición de
datos (Imágenes)
Desarrollo
del Modelo
Entrenamiento
Análisis del
Modelo
Divulgación
Objetivos específicos

13. Con el auge de la Industria 4.0, la
agricultura necesita de sistemas
inteligentes.
Propuesta
Figura 4: Distribución de aplicaciones de deep
learning en la agricultura (Altalak et al., 2022).
En ese contexto, las técnicas de Deep Learning, ofrecen mayor robustez en
comparación con métodos tradicionales (Rai et al., 2021).
Por ejemplo, el proceso de identificación de enfermedades en plantas puede
llevarse a cabo usando Deep Learning (Altalak et al., 2022).

14. (*) Con conexión a laptop via USB, WIFI o Bluetooth
Otros dispositivos de captura
de imágenes/datos.
Celulares/Android Cámaras Web/PC
90 %
Presencia de Phyllocnistis citrella
Probabilidad
Hoja sin Phyllocnistis citrella
10 %
Laptop con modelo entrenado
Figura 5: Diseño de solución propuesta para la detección de Phyllocnistis usando deep learning (elaboración propia)
Toma de muestras (imágenes) sospechosas de
contener Phyllocnistis citrella.
Las imágenes son capturadas por
diversos dispositivos de toma de
datos.
El modelo identifica la precencia o no
de Phyllocnistis citrella en las
muestras proporcionadas de forma
temprana.
Propuesta

15. Toma de imágenes con cámaras móviles al
limonero (Citrus aurantifolia) buscando partes
afectadas y no afectadas por el minador de
los cítricos (Phyllocnistis citrella).
1. Adquisición de datos (Imágenes)
Se diseñará el modelo de Deep Learning para
clasificación de imágenes. Se implementará
en el framework Pytorch.
2. Desarrollo del Modelo
En esta fase se entrenará y optimizará el
modelo obtenido en la etapa 2 con las
imágenes obtenidas anteriormente.
3.Entrenamiento
Despliegue del modelo (software). Difusión de
la investigacion en diferentes medios
academicos como: revistas indexadas,
congresos y conferencias.
5. Divulgación
Se realiza el análisis del experto del dominio
sobre resultados del modelo. Asimismo, se
muestran patrones de interés para el área de
conocimiento analizando la interpretabilidad
del modelo.
4. Análisis del modelo
Metodología

16. Adquisición de datos (Imágenes)
Actividades
1.1. Conocimiento del negocio.
1.2. Recolección.
1.3. Etiquetado.
1.4. Procesamiento.
1.5. Análisis.
1.6. Imágenes en drive (>=700)
1
Hito

17. Empresa Valher

18. Empresa Valher

19. Estadios

20. Ver Videos

21. Estadios
Stage1_1 Stage2_1 Stage3_1 Stage3_2

22. Diseñar y organizar los datasets para el entrenamiento y prueba del modelo de
aprendizaje
Para el trabajo se han recopilado 1134 imágenes.
El dataset se ha dividido en 80% de imágenes para el entrenamiento y
20% para las pruebas.
Algoritmo Accuracy (%)
CNN - Redes Neuronales Convolucionales 85.71
SVM - Máquinas de Soporte Vectorial 84.29
KNN - K-Vecinos más Cercanos 83.33
DT - Árboles de Decisión 80.95
RF - Bosques Aleatorios 79.05
Resultado de la aplicación de los algoritmos:

23. Desarrollo del Modelo
Actividades
2.1. Consulta estado del arte.
2.2. Selección de modelo.
2.3. Diseño del modelo.
2.4. Modelo seleccionado
2
Hito

24. Desarrollo del Modelo

25. Entrenamiento
Actividades
3.1. Optimización de hiperparámetros.
3.2. Entrenamiento.
3.3. Validación.
3.4. Métricas de evaluación.
3.5. Modelo entrenado
3
Hito

26. Análisis del modelo
Actividades
4.1. Análisis del experto del dominio.
4.2. Análisis de interpretabilidad del modelo.
4.3. Reporte del análisis
4
Hito

27. Divulgación
Actividades
5.1. Despliegue.
5.2. Elaboración del paper.
5.3. Difusión académica.
5.4. Cierre del proyecto
5
Hito
https://doi.org/10.1515/biol-2022-0713
received April 28, 2023; accepted August 07, 2023

28. Divulgación
5
Detección temprana del minador de cítricos (Phyllocnistis citrella) en el cultivo del limonero
(Citrus aurantifolia) utilizando Inteligencia Artificial

29. Divulgación
5 https://www.minador.net.pe/

30. Resultados esperados
Tecnológicos Académicos Colaboración

Adquisición de materiales y/o
equipos.

Producción de nuevas
tecnologías : modelo de Deep
Learning.

Herramienta de software para la
detección temprana al servicio
de técnicos e ingenieros.

Participación en
congresos y eventos
(internacional o nacional)

Artículos científicos en
revistas indexadas (1).

Mejora de capacidades
técnicas del equipo en
áreas de agricultura y
Deep Learning.

Formación de
investigadores jóvenes.

Integración o
consolidación a redes
temáticas y grupo de
investigación entre la
Universidad Nacional de
Frontera y la Universidad
Nacional de Piura.

31. Producción Científica
Fuente

32. Contacto:
Dr. Manuel Jesús Sánchez Chero
msanchezch@unf.edu.pe
+51 979730711
https://servicio-renacyt.concytec.gob.pe/ficha-renacyt/?idInvestigador=11796

33. ¡GRACIAS! Dr. Manuel Jesús Sánchez Chero
msanchezch@unf.edu.pe
+51 979730711

34. Referencias
MIDAGRI. (2020, January 9). Piura se consolida como primera región exportadora de limón.
https://www.gob.pe/institucion/midagri/noticias/76585-piura-se-consolida-como-primera-region-exportadora-de-limon
DPIRD. (2020, July 20). Citrus leafminer. https://agric.wa.gov.au/n/964
LSU. (2010, November 04). Citrus Leafminer. https://www.lsuagcenter.com/portals/our_offices/parishes/east%20baton%20rouge/
features/lawn_garden/citrus-leafminer
DPI.NSW. (2022, March 18). Citrus leafminer. https://www.dpi.nsw.gov.au/agriculture/horticulture/citrus/content/insects-diseases-
disorders-and-biosecurity/insect-pest-factsheets/leafminer
Rai, R., Tiwari, M. K., Ivanov, D., & Dolgui, A. (2021). Machine learning in manufacturing and industry 4.0 applications. International
Journal of Production Research, 59(16), 4773–4778. https://doi.org/10.1080/00207543.2021.1956675
Altalak, M., Ammad uddin, M., Alajmi, A., & Rizg, A. (2022). Smart Agriculture Applications Using Deep Learning Technologies: A Survey.
Applied Sciences, 12(12), 5919. https://doi.org/10.3390/app12125919