CONTROL DE PLAGAS

GRUPO OPERATIVO CONTROL INTELIGENTE DE PLAGAS EN HORTÍCOLAS

Título del proyecto – Control inteligente de plagas en hortícolas

Reducir el uso de productos fitosanitarios, garantizando el control de los cultivos de una manera más eficiente y respetuosa con el medioambiente, con la implementación y validación de una red de trampas inteligentes para el monitoreo en tiempo real y la generación de informes con recomendaciones de tratamiento de las principales plagas que afectan a los cultivos hortícolas en el Campo de Cartagena.

Además, se pretende dar un sistema de soporte a la decisión, incrementando el ahorro facilitando el análisis de un gran volumen de datos y optimizando el tiempo de actuación de los expertos agrónomos por la información facilitada en tiempo real, reduciendo así el coste de desplazamiento del personal.

RESULTADOS

Se han realizado un total de 50 reubicaciones de las trampas autolimpiables con sistema de conteo automático, siendo 15 en cultivo de melón, 12 en cultivo de coliflor y 23 en cultivo de lechuga. La instalación de las trampas se ha llevado a cabo por el equipo técnico de Widhoc que, junto con los propietarios de las fincas, han escogido la zona más representativa de cada parcela, para garantizar el correcto monitoreo de las plagas presentes en el cultivo. Los datos recogidos por la trampa se pueden consultar en el portal web de Trapview.

Una vez se accede a la pantalla principal, se muestra la situación actual del proyecto. En la parte superior aparece el mapa con la ubicación de cada una de las trampas instaladas, y en la parte inferior un listado de las trampas, junto con su información general (referencia, ubicación, plaga, cultivo, fecha, alarmas y ubicaciones anteriores de dicha trampa, si las hubiera). Otra de las pestañas permite visualizar la gráfica en la que se muestra el número de individuos capturados a lo largo de un periodo de tiempo seleccionado. Se puede ver cómo en ciertos momentos el número de capturas comienza de cero, esto se produce debido al cambio de rollo de papel adhesivo, que provoca que la trampa comience de nuevo el recuento de individuos.

A partir de los datos recogidos en la aplicación web de Trapview, se lleva a cabo un informe sobre la curva de vuelo de la plaga en cuestión, y se recomienda la aplicación de tratamiento o no. De manera complementaria se han instalado trampas sencillas que se van reubicando en cultivo de lechuga, coliflor y melón a lo largo de todo el periodo.

Las feromonas utilizadas para estas trampas sencillas son Helicoverpa armígera para las trampas tipo Funnel, y Spodoptera Littoralis para las trampas tipo delta. Las trampas tipo delta tienen un sistema de captura de imágenes que proporciona información diaria de las plagas obtenidas. Sin embargo, las trampas tipo Funnel son mucho más sencillas, ya que no presentan la posibilidad de obtener imágenes diarias de las capturas. Por este motivo, el equipo técnico de Widhoc tiene que ir a campo periódicamente para la toma de imágenes. El acceso a la aplicación que proporciona estos datos se da a través de la web de Captrap, en la que se puede ver en primer lugar la ubicación de las trampas. Una vez se selecciona uno de los dos tipos de trampas, se presenta una gráfica con la evolución a lo largo de periodo seleccionado del conteo automático.

Se pretende seleccionar de la base de datos pública disponible (SIAM) los puntos de medición propios que tiene en el Campo de Cartagena los datos más representativos para caracterizar las fincas seleccionadas. El usuario puede consultar los datos meteorológicos accediendo desde cualquier lugar a la web
de Widhoc, donde se muestra un desplegable de sus equipos con la ubicación en la vista por satélite. Éstos datos se tienen en cuenta a la hora de hacer las recomendaciones de aplicaciones, ya que según el Real Decreto o 1311/2012, de 14 de septiembre, por el que se establece el marco de actuación para conseguir un uso sostenible de los productos fitosanitarios, no se aconseja realizar aplicaciones con un viento mayor a 3m/s. Tampoco es recomendable realizar los tratamientos si hay previsión de lluvia. A continuación, se muestran dos capturas de pantalla de la aplicación para la visualización de la información de las estaciones del SIAM.

El Sistema de Soporte a la Decisión que se ha llevado a cabo está basado en la detección y conteo de mosca blanca. La elección de esta plaga en concreto se basó en motivos de importancia de la misma. La mosca blanca es una plaga crítica que afecta a los cultivos de coliflor, lechuga y melón. Su detección es bastante compleja por las características del insecto en el que el control y conteo se basa en la utilización de cartulinas cromáticas donde las mosca suele quedarse atrapadas. El conteo de las mismas se suele hacer de forma manual. La idea general de este Sistema de Soporte a la Decisión es semiautomatizar el conteo de las moscas por medio de algoritmos de Deep Learning que permitan identificar la plaga en las cartulinas cromáticas.

Una vez identificada la plaga se crea una plantilla de un informe de plagas donde el Técnico experto sólo debe revisar los datos y proporcionar unas recomendaciones de aplicación de fitosanitarios. Para conseguir obtener la mayor cantidad de muestras, las cartulinas cromáticas se solían sustituir con una periodicidad de entre 15 días dependiendo de la afección de la plaga.

Para poder evaluar el modelo, se suelen separar las imágenes en dos grupos: Entrenamiento y Testeo. Esta separación es importante para realizar la evaluación. Las imágenes del set de entrenamiento en nuestro caso contienen el 90% de las imágenes, asegurándonos que entre ellas existe un alto porcentaje de moscas blancas. El 10 % de las imágenes restantes se usa para el test. Realizar esta separación nos asegura que el sistema es testado con imágenes que no ha visto nunca y va a permitir estimar las capacidades de generalización del mismo. Durante este proceso de entrenamiento se suelen reajustar los hiperparámetros del modelo para intentar mejorar las capacidades de clasificación del mismo.

Para evaluar la calidad de las predicciones del modelo, se pueden utilizar métricas como IoU (Intersección sobre Unión) que miden la similitud entre las máscaras de segmentación predichas y las máscaras reales. En nuestro caso, este tipo lo que más nos interesa es conocer la localización de la mosca blanca en la cartulina y el error respecto al groundtruth. Una vez entrenado el modelo, se almacena y se usa el mismo para inferencia. El proceso de inferencia se basa en cargar el modelo entrenado, predecir la plaga y guardar los resultados. En el apartado siguiente se detalla el proceso de validación y evaluación del modelo y del Sistema de Soporte a la Decisión de manera conjunta.

MÁS INFORMACIÓN