Video Experimental Relacionado
Updated: Feb 20, 2026
08:02
Robotic Sensing and Stimuli Provision for Guided Plant Growth
Published on: July 1, 2019
8.6K
Sistema de riego inteligente y detección temprana de enfermedades en plantas mediante IoT y una novedosa red neuronal
Deepthi Gorijavolu1, Kapil Sharma2, N Srinivasa Rao3
1Amity School of Engineering and Technology, Amity University Madhya Pradesh, Gwalior, India. deepthigorijavolu555@gmail.com.
Scientific reports
|February 18, 2026
Resumen
Este estudio presenta un sistema de riego inteligente que utiliza aprendizaje automático e IoT para la detección temprana de enfermedades de la caña de azúcar. Logra una precisión del 95,6%, mejorando las predicciones de rendimiento de los cultivos y apoyando la agricultura de precisión.
Área de la Ciencia:
- Ciencias Agrícolas; Ciencias de la Computación; Patología Vegetal
Sus antecedentes:
- La gestión eficaz de los cultivos es crucial para la seguridad alimentaria mundial.
- La detección temprana de enfermedades en las plantas es vital para la productividad agrícola.
- El cultivo de la caña de azúcar enfrenta desafíos por enfermedades que afectan el rendimiento.
Objetivo del estudio:
- Desarrollar un sistema de riego inteligente para la detección temprana de enfermedades en las hojas de la caña de azúcar.
- Evaluar el impacto de las enfermedades en el rendimiento de los cultivos utilizando aprendizaje automático e IoT.
- Integrar la detección de enfermedades con el riego inteligente para optimizar la producción de cultivos.
Principales métodos:
- Se utilizó aprendizaje automático (ML) e Internet de las cosas (IoT) para la recopilación y análisis de datos.
- Se emplearon vehículos aéreos no tripulados (UAV) y sensores para monitorear las características del suelo y las hojas (temperatura, humedad, color, textura).
- Se implementó un mapa autoorganización no lineal en crecimiento (NG-SOM) dentro de una red neuronal artificial (ANN) para mejorar la extracción y clasificación de características.
Principales resultados:
- Se logró una precisión del 95,6% en la detección de enfermedades de la caña de azúcar, superando a los métodos tradicionales.
- Se redujeron los falsos positivos en un 18,3% en la identificación de enfermedades.
- Se mejoraron las proyecciones de producción de cultivos en un 22,4% mediante modelos predictivos y diagnóstico temprano.
Conclusiones:
- El sistema desarrollado ofrece una solución prometedora para la gestión proactiva de enfermedades en la caña de azúcar.
- La integración de imágenes de UAV, datos de sensores y ML avanzado mejora la agricultura de precisión.
- El sistema contribuye a la mejora sostenible del rendimiento y a una mayor productividad agrícola.
