Banana Scan: Aplicación Android para la detección de enfermedades en cultivos de banano mediante TinyML
No hay miniatura disponible
Archivos
Fecha
2024-12
Autores
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
Este estudio presenta Banana Scan, un sistema de detección de enfermedades basado en técnicas de deep learning y optimizado para dispositivos móviles mediante TinyML. La investigación se centró en la identificación automatizada de dos patologías principales: Black Sigatoka (Mycosphaerella fijiensis) y Moko (Ralstonia solanacearum), utilizando una arquitectura MobileNetV2 modificada. El sistema fue entrenado con un dataset curado de 948 imágenes de campo, incluyendo 303 casos de Black Sigatoka, 335 de Moko, 310 muestras de hojas sanas y 184 imágenes de control.
La metodología incorporó técnicas de transfer learning y optimización post-entrenamiento, resultando en un modelo compacto de 8.8MB. El sistema alcanzó una precisión global del 94.47% en el conjunto de prueba, con sensibilidades específicas del 92.1% para Black Sigatoka y 97.0% para Moko, manteniendo tiempos de inferencia promedio de 150ms en dispositivos móviles estándar. La implementación en una aplicación Android demostró su viabilidad para uso en campo, con un consumo de memoria de 120-150MB y capacidad de operación sin conexión.
Estos resultados sugieren que la integración de TinyML con dispositivos móviles representa una solución viable para la detección temprana de enfermedades en cultivos de banano, especialmente en regiones con recursos limitados. La aplicación puede ser descargada vía Google Play Store, y el Proyecto se puede encontrar en GitHub.
Descripción
Abstract
This study presents Banana Scan, a disease detection system based on deep learning techniques and optimized for mobile devices using TinyML. The research focused on the automated identification of two major pathologies: Black Sigatoka (Mycosphaerella fijiensis) and Moko (Ralstonia solanacearum), utilizing a modified MobileNetV2 architecture. The system was trained on a curated dataset of 948 field images, including 303 cases of Black Sigatoka, 335 of Moko, 310 samples of healthy leaves, and 184 control images.
The methodology incorporated transfer learning techniques and post-training optimization, resulting in a compact 8.8MB model. The system achieved an overall accuracy of 94.47% on the test set, with specific sensitivities of 92.1% for Black Sigatoka and 97.0% for Moko, maintaining average inference times of 150ms on standard mobile devices. The implementation in an Android application demonstrated its feasibility for field use, with memory consumption of 120-150MB and the ability to operate offline.
These results suggest that the integration of TinyML with mobile devices represents a viable solution for the early detection of diseases in banana crops, particularly in resource-limited regions. The application can be downloaded via Google Play Store, and the project can easily accessed through Github.
Palabras clave
Deep learning, Visión por computador, TinyML, Agricultura de precisión, Aplicaciones móviles
Keywords
Deep learning, Computer vision, TinyML, Precision agriculture, Mobile applications