Desarrollo de un Modelo de Inteligencia Artificial Para la Mitigación de Arvenses dañinos con detección de malezas

Resumen

Resumen: El control de arvenses representa entre el 20% y el 30% de los costos de mano de obra en cultivos agrícolas, siendo una práctica crucial pero poco estudiada. Las arvenses no solo compiten con los cultivos por recursos esenciales como agua, luz y nutrientes, sino que también sirven de hospederas para plagas y enfermedades, reduciendo significativamente el rendimiento y la calidad de la cosecha. En Colombia, se han identificado cerca de 170 especies de arvenses en cafetales, afectando gravemente cultivos como café, arroz, soja y algodón. Este estudio propone el uso de Roboflow y YOLO-NAS para optimizar la identificación y manejo de arvenses mediante técnicas de visión artificial. Se comparan varios modelos de inteligencia artificial, evaluando su precisión, tiempo de entrenamiento y capacidad de generalización. Los resultados muestran que, aunque YOLO-NAS supera a Roboflow 3.0 en términos de precisión y eficiencia, Roboflow ofrece una integración más sencilla y configuraciones para usuarios menos experimentados.

Palabras claves: Control de arvenses/ Visión artificial/ Roboflow/ YOLO-NAS/ Agricultura/ Detección de objetos/ Inteligencia artificial

Abstract: Weed control represents between 20% and 30% of labor costs in agricultural crops, being a crucial but understudied practice. Weeds not only compete with crops for essential resources such as water, light, and nutrients but also serve as hosts for pests and diseases, significantly reducing yield and crop quality. In Colombia, around 170 weed species have been identified in coffee plantations, severely affecting crops such as coffee, rice, soybeans, and cotton. This study proposes the use of Roboflow and YOLO-NAS to optimize the identification and management of weeds through advanced computer vision techniques. Several artificial intelligence models are compared, evaluating their accuracy, training time, and generalization capability. The results show that while YOLO-NAS outperforms Roboflow 3.0 in terms of accuracy and efficiency, Roboflow offers easier integration and predefined settings beneficial for less experienced users.

Keywords: Weed control/ Computer vision/ Roboflow/ YOLO-NAS/ Agriculture/ Object detection/ Artificial intelligence