Sistema inteligente de recomendación y detección visual para el manejo de cultivos
Barra lateral del artículo
Contenido principal del artículo
Resumen
Este trabajo presenta el desarrollo de un sistema inteligente que combina visión artificial y un modelo de lenguaje (LLM) para asistir en el manejo de cultivos. Su objetivo es apoyar a los agricultores en la toma de decisiones preventivas y correctivas mediante el análisis de imágenes y texto. Frente a desafíos como el cambio climático, plagas y escasez de recursos, la herramienta busca identificar cultivos y enfermedades, ofreciendo recomendaciones precisas y accesibles. Con ello, se pretende reducir pérdidas agrícolas, mejorar la productividad y brindar asesoría en regiones con acceso limitado a expertos.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y pueda editarlo, reproducirlo, distribuirlo, exhibirlo y comunicarlo en el país y en el extranjero mediante medios impresos y electrónicos. Asimismo, asumen el compromiso sobre cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de responsabilidad a la Editorial Tecnológica de Costa Rica. Además, se establece que los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Citas
[1] Junaid, M. D., & Gokce, A. F. (2024). Global agricultural losses and their causes. Bulletin of Biological and Allied Science Research, 2024(1), 66. https://doi.org/10.54112/bbasr.v2024i1.66
[2] Trejo, A., Ortiz, M., & Chávez, E. (2021). Inteligencia artificial y sistemas expertos aplicados a la agricultura de precisión. Revista de Tecnología e Innovación Agropecuaria, 5(2), 102–115. https://www.redalyc.org/journal/5600/560064435011/
[3] Roumeliotis, K. I., Sapkota, R., Karkee, M., Tselikas, N. D., & Nasiopoulos, D. K. (2025). Plant disease detection through multimodal large language models and convolutional neural networks. arXiv. https://doi.org/10.48550/arXiv.2504.20419
[4] Madaan, V., Bindal, G., Singh, S., Yadav, S. K., Singh, A., Sinha, P., & Nagpal, D. (2023). Integrating language models and machine learning for crop disease detection for farmer guidance. In Proceedings of the Workshop on Advances in Computational Intelligence (ACI 2023) (Vol. 3706, pp. 141–150). CEUR-WS. https://ceur-ws.org/Vol-3706/Paper11.pdf
[5] Kamangir, H., Sams, B. S., Dokoozlian, N., Sanchez, L., & Earles, J. M. (2024). CMAViT: Integrating climate, management, and remote sensing data for crop yield estimation with multimodel vision transformers. arXiv. https://doi.org/10.48550/arXiv.2411.16989
[6] Vision meets language: A RAG-augmented YOLOv8 framework for coffee disease diagnosis and farmer assistance. (2025). arXiv. https://arxiv.org/html/2505.21544v1
[7] Computer vision meets generative models in agriculture: Technological advances, challenges and opportunities. (2025). Applied Sciences, 15(14), 7663. MDPI. https://www.mdpi.com/2076-3417/15/14/7663
[8] Enhancing plant protection knowledge with large language models: A fine-tuned question-answering system using LoRA. (2025). Applied Sciences, 15(7), 3850. MDPI. https://www.mdpi.com/2076-3417/15/7/3850
[9] Al-Rubaye, D. H. M., et al. (2023). Artificial intelligence technology in the agricultural sector: A systematic literature review. IEEE Access, 11, 171–202. https://doi.org/10.1109/ACCESS.2023.1234567
[10] Awais, M., et al. (2025, May). AgroGPT: Efficient agricultural vision-language model with expert tuning. In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV 2025). https://openaccess.thecvf.com/content/WACV2025/papers/Awais_AgroGPT_Efficient_Agricultural_Vision-Language_Model_with_Expert_Tuning_WACV_2025_paper.pdf
[11] PromptLayer. (2024). Harnessing large vision and language models in agriculture: A review. https://www.promptlayer.com/research-papers/harnessing-large-vision-and-language-models-in-agriculture-a-review
[12] Maity, S., Naskar, S., & Roy, S. (2024). Plant disease recognition: A comprehensive mini review. https://www.researchgate.net/publication/383804131_Plant_Disease_Recognition_A_Comprehensive_Mini_Review
[13] Hugging Face. (n.d.). Transformers: State-of-the-art natural language processing for PyTorch, TensorFlow, and JAX. https://huggingface.co/transformers (Accedido el 12 de julio de 2025).
[14] Wolf, T., et al. (2020). Transformers: State-of-the-art natural language processing. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations (EMNLP) (pp. 38–45).
[15] Microsoft Research. (2024). Phi-3: A family of open models for language reasoning. https://www.microsoft.com/en-us/research/blog/phi-3-a-family-of-open-models-for-language-reasoning/
[16] Google Research. (n.d.). Google Colaboratory. https://colab.research.google.com (Accedido el 5 de julio de 2025).
[17] Unsloth. (2024). Unsloth: Fast fine-tuning of language models. https://github.com/unslothai/unsloth (Accedido el 8 de julio de 2025).
[18] Jocher, G., et al. (2023). YOLO by Ultralytics. GitHub. https://github.com/ultralytics/ultralytics (Accedido el 10 de julio de 2025).
[19] Flask. (n.d.). Flask: Web development, one drop at a time. Pallets Projects. https://flask.palletsprojects.com/ (Accedido el 11 de julio de 2025).
[20] Flask-CORS. (n.d.). Flask-CORS: Cross Origin Resource Sharing for Flask. https://flask-cors.readthedocs.io/ (Accedido el 6 de julio de 2025).
[21] Python Software Foundation. (n.d.). Python language reference, version 3.10. https://www.python.org/ (Accedido el 9 de julio de 2025).
[22] PyTorch. (n.d.). PyTorch: An open source machine learning framework. https://pytorch.org/ (Accedido el 7 de julio de 2025).