Inteligencia Artificial aplicada a determinar la salubridad de plantas de tomates
Primer lanzamiento. Enero 2020
Les compartimos un nuevo trabajo que estamos desarrollando en nuestro laboratorio de I+D.
¿Qué buscamos al compartirlo? Contarte lo que estamos haciendo y si está a tu alcance, que colabores en la construcción del dataset. En castellano, que nos envíes fotos de hojas de tomates, tanto sanos como enfermos.
¿Para qué necesitamos esto? Para alimentar el modelo y hacerlo más preciso.
Además lo compartimos para que aquellos que no tengan experiencia en desarrollo de soluciones de Inteligencia artificial puedan ver cómo se va creando un modelo, aprendiendo, enseñado e iterando para lograr la máxima precisión.
Te cuento un resumen del trabajo: la solución se basa en algoritmos de reconocimiento de imágenes y machine learning aplicados al tomate. El algoritmo reconoce fotos de tomates sanos y de tomates con sus principales enfermedades (plagas, hongos, virus y bacterias) y las clasifica. De esta forma se puede hacer una rápida detección de plagas u hongos y evitar pérdidas en la producción.
Imagínate un cultivo intensivo en capital, en donde una cámara constantemente filma o toma fotos a las plantas, y cuando ve un problema lanza una alarma al productor, de esta forma el productor no tiene que estar constantemente cuidando la planta ya que este trabajo lo puede hacer una inteligencia artificial.
Puede funcionar para el tomate o ser extrapolado a otra planta, ya que en general los hongos, plagas, virus y bacterias son parecidos entre las distintas especies vegetales.
Les describo los principales problemas con sus nombres técnicos, que básicamente son las categorías de problemas sobre las que los algoritmos van clasificando las imágenes.
Sano:
Tomato_healthy
Plagas:
Tomato_Spider_mites_Two_spotted_spider_mite
Hongos:
Tomato_Late_blight
Tomato_Early_blight
Tomato_Leaf_Mold
Tomato_Septoria_leaf_spot
Tomato__Target_Spot
Virus:
Tomato_YellowLeaf__Curl_Virus
Tomato_mosaic_virus
Bacteria:
Tomato_Bacterial_spot
En una primera versión del modelo, se utilizaron para entrenar al modelo 11.096 fotos de hojas de plantas de tomates obtenidas de dataset públicos. Y se logró un accuracy del 98% a partir de un modelo entrenado desde cero. El modelo (y probablemente a futuro variantes de éste) se continúa entrenando, vía el incremento de imágenes del dataset, capturadas en condiciones reales.
Para acceder al modelo se puede hacer vía las siguientes URLs:
http://3.20.126.72:8080/ O en esta: https://ai.intermediait.com/
Próximos pasos de corto plazo:
- Revisión y mejora del diseño: análisis y aplicación de diferentes técnicas y alternativas de modelos, enfoque end-to-end vs. aprendizaje en etapas, etc.
- Inclusión de un nuevo dataset público de cerca de 5000 imágenes con fotos tomadas en otras condiciones de distancia, luz, fondo, etc.
- Creación de otro dataset en la finca de un productor de tomates
- Simplificación de la clasificación de los resultados
Las lecciones aprendidas, lo dejamos para la próxima. Ahora necesitamos hacer crecer la base de imágenes para lograr una solución que funciones en diversas condiciones de luz, resolución, etc y que funcione con una variedad de plantas de tomates.