Aplicación de aprendizaje profundo para la detección y clasificación automática de insectos agrícolas en trampas pegantes: una revisión de literatura

Abstract

El presente trabajo de investigación busca hacer una revisión sistemática sobre las técnicas actuales que se usan para solucionar problemas de identificación y clasificación de plagas de insectos, los cuales pueden ser para detectar uno o más tipos de insectos. Dentro de esta revisión, se encontró soluciones como algoritmos de segmentación con cambio de espacio de color, lo cual permite remover el fondo de una imagen y centrarse únicamente en el objeto de interés; también, el uso de modelos de detección, por ejemplo YOLO y Faster R-CNN, los cuales están conformados por redes neuronales convolucionales para lograr la identificación de insectos plaga; además, se encontraron soluciones que hacían uso de SLIC (Simple Linear Iterative Clustering), así como el uso de un análisis multifractal. Un aspecto relevante a tomar en cuenta para saber qué tan eficientes están siendo estas soluciones son las métricas de evaluación con sus respectivos valores obtenidos; sin embargo, estos resultados solo pueden ser comparables si se usa el mismo dataset para entrenamiento y validación. Por consiguiente y dado que la mayoría de estudios recopilados usa un conjunto de datos propio, los resultados mostrados nos sirven para tener una idea de la eficacia de sus soluciones, mas no para comparar los valores de las métricas de evaluación de los distintos aproximamientos tomados en cada estudio revisado. Finalmente, el único insecto plaga que afecta los campos de hortalizas en el Perú y fue encontrado dentro de los estudios fue la mosca blanca. Los demás estudios abordan el problema de detección con otros tipos de insectos, los cuales no son relevantes para el problema de plagas en Perú, sin embargo, sus soluciones son consideradas pues el cambio que se tendría que hacer es en el conjunto de datos que alimenta a las soluciones presentadas en los estudios encontrados.