Modelo de predicción de la producción de arándanos de la variedad Ventura, mediante Deep Learning en un sector de la región Lambayeque

Abstract

Essabido en todo el mundo, que la inteligencia artificialse desarrolla vertiginosamente, muchos países que son potencias mundiales compiten por liderar avances significativos en esta disciplina. Actualmente, el sector agroexportador de Perú es muy competitivo, regiones norteñas como La Libertad y Lambayeque debido a la inversión en grandes obras de infraestructura agrícola, que ampliaron significativamente el área cultivable, han logrado que productos como el arándano en estas regiones alcancen niveles de producción sin precedentes, en variedades de este cultivo como: Sekoya Pop, Sekoya Beauty, Biloxi, Ventura, entre otras, ubicandoen poco tiempo al Perú como el lídermundial exportador de este producto. Sin embargo, la planta se caracteriza por tener un proceso de maduración irregular, pudiéndose encontrar en un momento determinado arándanos de color azul oscuro, rojo, verde o en flor, esto resulta siendo un problema al determinar con precisión el nivel de producción en los diferentes lotes de cultivo que están listo para cosecha. Esta etapa requiere para este proceso operativo, mano de obra intensiva que en muchos casos resulta siendo excesiva. El objetivo de la investigación fue, determinar un modelo predictivo para la proyección de la cosecha de arándanos de la variedad Ventura, haciendo uso de Deep Learning. La solución al problema viene desde el aprendizaje profundo (Deep Learning), propio de la inteligencia artificial, al contar con redes neuronales convolucionales (CNN), avanzadas para la identificación y conteo de objetos. La presente investigación identificó que la arquitectura de CNN YOLO (solo se mira una vez), es precisa y eficiente, lo cual la convierte en la indicada para este proceso. El procesamiento de datosse realizó con la versión ocho de YOLO, requirió imágenes en campo de los frutos del arándano de la variedad Ventura, en diferentes momentos de maduración, afín de que se pueda realizar un adecuado entrenamiento y prueba, con base a la identificación de que se puede clasificar en arándano: maduro, semi maduro e inmaduro. Logrando, de manera precisa alcanzar una solución adecuada, que contribuya a mejorar la toma de decisiones.

It is known worldwide that artificial intelligence is developing rapidly, with many world-leading countries competing to lead significant advances in this field. Currently, Peru's agricultural export sector is highly competitive. Northern regions such as La Libertad and Lambayeque, thanks to investmentin major agricultural infrastructure projects thatsignificantly expanded the cultivable area, have enabled products such as blueberries in these regions to reach unprecedented production levels. These varieties include Sekoya Pop, Sekoya Beaty, Biloxi, and Ventura, among others, quickly positioning Peru as the world's leading exporter of this product. However, the plant is characterized by an irregular ripening process, and blueberries can be found at any given time in dark blue, red, green, or flowering colors. This poses a challenge when accurately determining the production level in the different crop lots that are ready for harvest. This stage requires intensive labor for this operational process, which in many cases proves excessive. The objective of the research was to determine a predictive model for forecasting the Ventura blueberry harvest using deep learning. The solution to the problem comes from deep learning, a form of artificial intelligence, using advanced convolutional neural networks (CNNs) for object identification and counting. This research identified the CNN architecture YOLO (You Only Look Once) as accurate and efficient, making it ideal for this process. Data processing was performed using YOLO version 8, requiring field images of Ventura blueberry fruits at different stages of ripeness. This required proper training and testing based on the identification of three blueberry stages: ripe, semi-ripe, and unripe. This resulted in a precise and efficientsolution that contributes to improved decision-making.